Robots/parse_html.py

   1 #! /usr/bin/env python
   2 """
   3    HTML Parsers wrapper
   4
   5    Written by Broytman. Copyright (C) 1997-2008 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 try:
  15    import parse_html_beautifulsoup
  16    parse_html_beautifulsoup.DEFAULT_CHARSET = DEFAULT_CHARSET
  17 except ImportError:
  18    pass
  19 else:
  20    parsers.append(parse_html_beautifulsoup.parse_html)
  21
  22 from parse_html_htmlparser import parse_html
  23 parsers.append(parse_html)
  24
  25
  26 import re
  27 from htmlentitydefs import name2codepoint
  28
  29 entity_re = re.compile("(&\w+;)")
  30 num_entity_re = re.compile("(&#[0-9]+;)")
  31
  32 def recode_entities(title, charset):
  33    output = []
  34    for part in entity_re.split(title):
  35       if part not in ("&amp;", "&lt;", "&gt;", "&quot;") and \
  36             entity_re.match(part):
  37          part = unichr(name2codepoint.get(part[1:-1], part)).encode(charset)
  38       output.append(part)
  39    title = ''.join(output)
  40
  41    output = []
  42    for part in num_entity_re.split(title):
  43       if num_entity_re.match(part):
  44          try:
  45             part = unichr(int(part[2:-1])).encode(charset)
  46          except UnicodeEncodeError:
  47             pass # Leave the entity as is
  48       output.append(part)
  49
  50    return ''.join(output)
  51
  52
  53 def parse_html(filename, charset=None, log=None):
  54    if charset:
  55       try:
  56          codecs.lookup(charset) # In case of unknown charset...
  57       except (ValueError, LookupError):
  58          charset = None         # ...try charset from HTML
  59
  60    charsets = [universal_charset, DEFAULT_CHARSET]
  61    if charset:
  62       charset = charset.lower().replace("windows-", "cp")
  63       if charset not in charsets:
  64          charsets.insert(0, charset)
  65
  66    for p in parsers:
  67       parser = None
  68       for c in charsets:
  69          try:
  70             parser = p(filename, c, log)
  71             break
  72          except UnicodeEncodeError:
  73             pass
  74       if parser:
  75          break
  76       else:
  77          if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
  78
  79    converted_title = title = parser.title
  80    if title and (not parser.charset):
  81       try:
  82          unicode(title, "ascii")
  83       except UnicodeDecodeError:
  84          parser.charset = DEFAULT_CHARSET
  85
  86    if parser.charset:
  87       parser.charset = parser.charset.lower().replace("windows-", "cp")
  88
  89    if title and parser.charset and (
  90          (parser.charset <> universal_charset) or
  91          ((not charset) or (charset <> parser.charset))):
  92       try:
  93          if parser.meta_charset:
  94             if log: log("   META charset   : %s" % parser.charset)
  95          elif (not charset) or (charset <> parser.charset):
  96             if log: log("   guessed charset: %s" % parser.charset)
  97          if log: log("   current charset: %s" % universal_charset)
  98          if log: log("   title          : %s" % title)
  99          if parser.charset <> universal_charset:
 100             try:
 101                converted_title = unicode(title, parser.charset).encode(universal_charset)
 102             except UnicodeError:
 103                if log: log("   incorrect conversion from %s, converting from %s" % (parser.charset, DEFAULT_CHARSET))
 104                converted_title = unicode(title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
 105                parser.charset = DEFAULT_CHARSET
 106          if log and (converted_title <> title): log("   converted title: %s" % converted_title)
 107       except LookupError:
 108          if log: log("   unknown charset: '%s'" % parser.charset)
 109    else:
 110       if log: log("   title          : %s" % title)
 111
 112    if title:
 113       final_title = recode_entities(converted_title, universal_charset)
 114       parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
 115       final_title = ' '.join([s for s in parts if s])
 116       if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
 117       parser.title = final_title
 118    return parser
 119
 120
 121 if __name__ == '__main__':
 122    import sys
 123
 124    l = len(sys.argv)
 125    if l == 3:
 126       filename = sys.argv[1]
 127       charset = sys.argv[2]
 128    elif l == 2:
 129       filename = sys.argv[1]
 130       charset = universal_charset
 131    else:
 132       sys.exit("Usage: %s filename [charset]" % sys.argv[0])
 133
 134    parser = parse_html(filename, charset, log=lambda s: sys.stdout.write(s + '\n'))
 135    print "   refresh:", parser.refresh
 136    print "   icon   :", parser.icon