Robots/parse_html.py

   1 #! /usr/bin/env python
   2 """
   3    HTML Parsers wrapper
   4
   5    Written by Broytman. Copyright (C) 1997-2010 PhiloSoft Design
   6 """
   7
   8 import codecs
   9
  10 universal_charset = "utf-8"
  11 DEFAULT_CHARSET = "cp1251" # Stupid default for Russian Cyrillic
  12
  13 parsers = []
  14
  15 try:
  16    import parse_html_html5
  17 except ImportError:
  18    pass
  19 else:
  20    parsers.append(parse_html_html5.parse_html)
  21
  22 try:
  23    import parse_html_beautifulsoup
  24    parse_html_beautifulsoup.DEFAULT_CHARSET = DEFAULT_CHARSET
  25 except ImportError:
  26    pass
  27 else:
  28    parsers.append(parse_html_beautifulsoup.parse_html)
  29
  30 from parse_html_htmlparser import parse_html
  31 parsers.append(parse_html)
  32
  33
  34 import re
  35 from htmlentitydefs import name2codepoint
  36
  37 entity_re = re.compile("(&\w+;)")
  38 num_entity_re = re.compile("(&#[0-9]+;)")
  39
  40 def recode_entities(title, charset):
  41    output = []
  42    for part in entity_re.split(title):
  43       if part not in ("&amp;", "&lt;", "&gt;", "&quot;") and \
  44             entity_re.match(part):
  45          _part = name2codepoint.get(part[1:-1], None)
  46          if _part is not None:
  47              part = unichr(_part).encode(charset)
  48       output.append(part)
  49    title = ''.join(output)
  50
  51    output = []
  52    for part in num_entity_re.split(title):
  53       if num_entity_re.match(part):
  54          try:
  55             part = unichr(int(part[2:-1])).encode(charset)
  56          except UnicodeEncodeError:
  57             pass # Leave the entity as is
  58       output.append(part)
  59
  60    return ''.join(output)
  61
  62
  63 def parse_html(filename, charset=None, log=None):
  64    if charset:
  65       try:
  66          codecs.lookup(charset) # In case of unknown charset...
  67       except (ValueError, LookupError):
  68          charset = None         # ...try charset from HTML
  69
  70    charsets = [universal_charset, DEFAULT_CHARSET]
  71    if charset:
  72       charset = charset.lower().replace("windows-", "cp")
  73       if charset in charsets:
  74          charsets.remove(charset)
  75       charsets.insert(0, charset)
  76
  77    for p in parsers:
  78       parser = None
  79       for c in charsets:
  80          try:
  81             parser = p(filename, c, log)
  82             break
  83          except UnicodeEncodeError:
  84             pass
  85       if parser:
  86          break
  87       else:
  88          if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
  89
  90    converted_title = title = parser.title
  91    if title and (not parser.charset):
  92       try:
  93          unicode(title, "ascii")
  94       except UnicodeDecodeError:
  95          parser.charset = DEFAULT_CHARSET
  96
  97    if parser.charset:
  98       parser.charset = parser.charset.lower().replace("windows-", "cp")
  99
 100    if title and parser.charset and (
 101          (parser.charset <> universal_charset) or
 102          ((not charset) or (charset <> parser.charset))):
 103       try:
 104          if parser.meta_charset:
 105             if log: log("   META charset   : %s" % parser.charset)
 106          elif (not charset) or (charset <> parser.charset):
 107             if log: log("   guessed charset: %s" % parser.charset)
 108          if log: log("   current charset: %s" % universal_charset)
 109          if log: log("   title          : %s" % title)
 110          if parser.charset <> universal_charset:
 111             try:
 112                converted_title = unicode(title, parser.charset).encode(universal_charset)
 113             except UnicodeError:
 114                if log: log("   incorrect conversion from %s, converting from %s" % (parser.charset, DEFAULT_CHARSET))
 115                converted_title = unicode(title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
 116                parser.charset = DEFAULT_CHARSET
 117          if log and (converted_title <> title): log("   converted title: %s" % converted_title)
 118       except LookupError:
 119          if log: log("   unknown charset: '%s'" % parser.charset)
 120    else:
 121       if log: log("   title          : %s" % title)
 122
 123    if title:
 124       final_title = recode_entities(converted_title, universal_charset)
 125       parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
 126       final_title = ' '.join([s for s in parts if s])
 127       if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
 128       parser.title = final_title
 129    return parser
 130
 131
 132 if __name__ == '__main__':
 133    import sys
 134
 135    l = len(sys.argv)
 136    if l == 3:
 137       filename = sys.argv[1]
 138       charset = sys.argv[2]
 139    elif l == 2:
 140       filename = sys.argv[1]
 141       charset = universal_charset
 142    else:
 143       sys.exit("Usage: %s filename [charset]" % sys.argv[0])
 144
 145    parser = parse_html(filename, charset, log=lambda s: sys.stdout.write(s + '\n'))
 146    print "   refresh:", parser.refresh
 147    print "   icon   :", parser.icon