Robots/parse_html.py

   1 #! /usr/bin/env python
   2 """
   3    HTML Parser
   4
   5    Written by BroytMann. Copyright (C) 1997-2005 PhiloSoft Design
   6 """
   7
   8
   9 import sys
  10 current_charset = sys.getdefaultencoding()
  11 if current_charset == "ascii":
  12    try:
  13       import locale
  14    except ImportError:
  15       pass
  16    else:
  17       current_charset = locale.getpreferredencoding()
  18 current_charset = current_charset.replace("windows-", "cp").lower()
  19 DEFAULT_CHARSET = "cp1251" # Stupid default for Russian Cyrillic
  20
  21
  22 from HTMLParser import HTMLParseError
  23 from m_lib.net.www.html import HTMLParser as _HTMLParser
  24
  25
  26 class HTMLHeadDone(Exception): pass
  27
  28
  29 class HTMLParser(_HTMLParser):
  30    def __init__(self, charset=None):
  31       _HTMLParser.__init__(self)
  32       self.charset = charset
  33       self.meta_charset = 0
  34       self.title = ''
  35       self.refresh = ''
  36
  37    def end_head(self):
  38       raise HTMLHeadDone()
  39
  40
  41    def do_meta(self, attrs):
  42       http_equiv = ""
  43       content = ""
  44
  45       for attrname, value in attrs:
  46          if value:
  47             value = value.strip()
  48             if attrname == 'http-equiv':
  49                http_equiv = value.lower()
  50             elif attrname == 'content':
  51                content = value
  52
  53       if (not self.charset) and (http_equiv == "content-type"):
  54          try:
  55             # extract charset from "text/html; foo; charset=UTF-8; bar;"
  56             self.charset = content.lower().split('charset=')[1].split(';')[0]
  57             self.meta_charset = 1 # Remember that the charset was retrieved from
  58                                   # META tag, not from the Content-Type header
  59          except IndexError:
  60             pass
  61
  62       if http_equiv == "refresh":
  63          self.refresh = content
  64
  65
  66    def start_title(self, attrs):
  67       self.accumulator = ''
  68
  69    def end_title(self):
  70       if not self.title: # use only the first title
  71          self.title = self.accumulator
  72
  73
  74 import re
  75 entity_re = re.compile("(&#[0-9]+;)")
  76
  77 def recode_entities(title, charset):
  78    output = []
  79    for part in entity_re.split(title):
  80       if entity_re.match(part):
  81          part = unichr(int(part[2:-1])).encode(charset, "replace")
  82       output.append(part)
  83
  84    return ''.join(output)
  85
  86
  87 def parse_html(filename, charset=None, log=None):
  88    infile = open(filename, 'r')
  89    parser = HTMLParser(charset)
  90
  91    for line in infile:
  92       try:
  93          parser.feed(line)
  94       except (HTMLParseError, HTMLHeadDone):
  95          break
  96
  97    infile.close()
  98
  99    try:
 100       parser.close()
 101    except (HTMLParseError, HTMLHeadDone):
 102       pass
 103
 104    title = parser.title
 105
 106    if not parser.charset:
 107       try:
 108          unicode(title, "ascii")
 109       except UnicodeDecodeError:
 110          parser.charset = DEFAULT_CHARSET
 111
 112    if parser.charset:
 113       parser.charset = parser.charset.replace("windows-", "cp").lower()
 114
 115    if parser.charset and (parser.charset <> current_charset):
 116       try:
 117          if parser.meta_charset:
 118             if log: log("   META charset   : %s" % parser.charset)
 119          else:
 120             if log: log("   charset        : %s" % parser.charset)
 121          if log: log("   title          : %s" % title)
 122          title = unicode(title, parser.charset, "replace").encode(current_charset, "replace")
 123          if log: log("   current charset: %s" % current_charset)
 124          if log: log("   converted title: %s" % title)
 125       except LookupError:
 126          if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, current_charset))
 127
 128    parser.title = recode_entities(title, current_charset)
 129    return parser
 130
 131
 132 if __name__ == '__main__':
 133    import sys
 134    parser = parse_html(sys.argv[1])
 135    print parser.charset
 136    print parser.title
 137    print parser.refresh