Robots/parse_html.py

   1 #! /usr/bin/env python
   2 """
   3    HTML Parsers wrapper
   4
   5    Written by Broytman. Copyright (C) 1997-2011 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_beautifulsoup
  17    parse_html_beautifulsoup.DEFAULT_CHARSET = DEFAULT_CHARSET
  18 except ImportError:
  19    pass
  20 else:
  21    parsers.append(parse_html_beautifulsoup.parse_html)
  22
  23 try:
  24    from parse_html_lxml import parse_html
  25 except ImportError:
  26    pass
  27 else:
  28     parsers.append(parse_html)
  29
  30 try:
  31    from parse_html_htmlparser import parse_html
  32 except ImportError:
  33    pass
  34 else:
  35     parsers.append(parse_html)
  36
  37 try:
  38    import parse_html_html5
  39 except ImportError:
  40    pass
  41 else:
  42    parsers.append(parse_html_html5.parse_html)
  43
  44
  45 import re
  46 from htmlentitydefs import name2codepoint
  47
  48 entity_re = re.compile("(&\w+;)")
  49 num_entity_re = re.compile("(&#[0-9]+;)")
  50
  51 def recode_entities(title, charset):
  52    output = []
  53    for part in entity_re.split(title):
  54       if part not in ("&amp;", "&lt;", "&gt;", "&quot;") and \
  55             entity_re.match(part):
  56          _part = name2codepoint.get(part[1:-1], None)
  57          if _part is not None:
  58              part = unichr(_part).encode(charset)
  59       output.append(part)
  60    title = ''.join(output)
  61
  62    output = []
  63    for part in num_entity_re.split(title):
  64       if num_entity_re.match(part):
  65          try:
  66             part = unichr(int(part[2:-1])).encode(charset)
  67          except UnicodeEncodeError:
  68             pass # Leave the entity as is
  69       output.append(part)
  70
  71    return ''.join(output)
  72
  73
  74 def parse_html(filename, charset=None, log=None):
  75    if not parsers:
  76        return None
  77
  78    if charset:
  79       try:
  80          codecs.lookup(charset) # In case of unknown charset...
  81       except (ValueError, LookupError):
  82          charset = None         # ...try charset from HTML
  83
  84    charsets = [universal_charset, DEFAULT_CHARSET]
  85    if charset:
  86       charset = charset.lower().replace("windows-", "cp")
  87       if charset in charsets:
  88          charsets.remove(charset)
  89       charsets.insert(0, charset)
  90
  91    for p in parsers:
  92       parser = None
  93       for c in charsets:
  94          try:
  95             parser = p(filename, c, log)
  96             break
  97          except UnicodeEncodeError:
  98             pass
  99       if parser:
 100          break
 101       else:
 102          if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
 103
 104    if not parser:
 105        return None
 106
 107    converted_title = title = parser.title
 108    if title and (not parser.charset):
 109       try:
 110          unicode(title, "ascii")
 111       except UnicodeDecodeError:
 112          parser.charset = DEFAULT_CHARSET
 113
 114    if parser.charset:
 115       parser.charset = parser.charset.lower().replace("windows-", "cp")
 116
 117    if title and parser.charset and (
 118          (parser.charset <> universal_charset) or
 119          ((not charset) or (charset <> parser.charset))):
 120       try:
 121          if parser.meta_charset:
 122             if log: log("   META charset   : %s" % parser.charset)
 123          elif (not charset) or (charset <> parser.charset):
 124             if log: log("   guessed charset: %s" % parser.charset)
 125          if log: log("   current charset: %s" % universal_charset)
 126          if log: log("   title          : %s" % title)
 127          if parser.charset <> universal_charset:
 128             try:
 129                converted_title = unicode(title, parser.charset).encode(universal_charset)
 130             except UnicodeError:
 131                if log: log("   incorrect conversion from %s, converting from %s" % (parser.charset, DEFAULT_CHARSET))
 132                converted_title = unicode(title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
 133                parser.charset = DEFAULT_CHARSET
 134          if log and (converted_title <> title): log("   converted title: %s" % converted_title)
 135       except LookupError:
 136          if log: log("   unknown charset: '%s'" % parser.charset)
 137    else:
 138       if log: log("   title          : %s" % title)
 139
 140    if title:
 141       final_title = recode_entities(converted_title, universal_charset)
 142       parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
 143       final_title = ' '.join([s for s in parts if s])
 144       if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
 145       parser.title = final_title
 146
 147    icon = parser.icon
 148    if isinstance(icon, unicode):
 149        try:
 150            parser.icon = icon.encode('ascii')
 151        except UnicodeEncodeError:
 152            if parser.charset:
 153                parser.icon = icon.encode(parser.charset)
 154    return parser
 155
 156
 157 if __name__ == '__main__':
 158    import sys
 159
 160    l = len(sys.argv)
 161    if l == 3:
 162       filename = sys.argv[1]
 163       charset = sys.argv[2]
 164    elif l == 2:
 165       filename = sys.argv[1]
 166       charset = universal_charset
 167    else:
 168       sys.exit("Usage: %s filename [charset]" % sys.argv[0])
 169
 170    parser = parse_html(filename, charset, log=lambda s: sys.stdout.write(s + '\n'))
 171    print "   refresh:", parser.refresh
 172    print "   icon   :", parser.icon