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 # ElementTidy often segfaults
  45 #try:
  46 #   import parse_html_etreetidy
  47 #except ImportError:
  48 #   pass
  49 #else:
  50 #   parsers.append(parse_html_etreetidy.parse_html)
  51
  52 import re
  53 from htmlentitydefs import name2codepoint
  54
  55 entity_re = re.compile("(&\w+;)")
  56 num_entity_re = re.compile("(&#[0-9]+;)")
  57
  58 def recode_entities(title, charset):
  59    output = []
  60    for part in entity_re.split(title):
  61       if part not in ("&amp;", "&lt;", "&gt;", "&quot;") and \
  62             entity_re.match(part):
  63          _part = name2codepoint.get(part[1:-1], None)
  64          if _part is not None:
  65              part = unichr(_part).encode(charset)
  66       output.append(part)
  67    title = ''.join(output)
  68
  69    output = []
  70    for part in num_entity_re.split(title):
  71       if num_entity_re.match(part):
  72          try:
  73             part = unichr(int(part[2:-1])).encode(charset)
  74          except UnicodeEncodeError:
  75             pass # Leave the entity as is
  76       output.append(part)
  77
  78    return ''.join(output)
  79
  80
  81 def parse_html(filename, charset=None, log=None):
  82    if not parsers:
  83        return None
  84
  85    if charset:
  86       try:
  87          codecs.lookup(charset) # In case of unknown charset...
  88       except (ValueError, LookupError):
  89          charset = None         # ...try charset from HTML
  90
  91    charsets = [universal_charset, DEFAULT_CHARSET]
  92    if charset:
  93       charset = charset.lower().replace("windows-", "cp")
  94       if charset in charsets:
  95          charsets.remove(charset)
  96       charsets.insert(0, charset)
  97
  98    for p in parsers:
  99       parser = None
 100       for c in charsets:
 101          try:
 102             parser = p(filename, c, log)
 103             break
 104          except UnicodeEncodeError:
 105             pass
 106       if parser:
 107          break
 108       else:
 109          if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
 110
 111    if not parser:
 112        return None
 113
 114    converted_title = title = parser.title
 115    if title and (not parser.charset):
 116       try:
 117          unicode(title, "ascii")
 118       except UnicodeDecodeError:
 119          parser.charset = DEFAULT_CHARSET
 120
 121    if parser.charset:
 122       parser.charset = parser.charset.lower().replace("windows-", "cp")
 123
 124    if title and parser.charset and (
 125          (parser.charset <> universal_charset) or
 126          ((not charset) or (charset <> parser.charset))):
 127       try:
 128          if parser.meta_charset:
 129             if log: log("   META charset   : %s" % parser.charset)
 130          elif (not charset) or (charset <> parser.charset):
 131             if log: log("   guessed charset: %s" % parser.charset)
 132          if log: log("   current charset: %s" % universal_charset)
 133          if log: log("   title          : %s" % title)
 134          if parser.charset <> universal_charset:
 135             try:
 136                converted_title = unicode(title, parser.charset).encode(universal_charset)
 137             except UnicodeError:
 138                if log: log("   incorrect conversion from %s, converting from %s" % (parser.charset, DEFAULT_CHARSET))
 139                converted_title = unicode(title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
 140                parser.charset = DEFAULT_CHARSET
 141          if log and (converted_title <> title): log("   converted title: %s" % converted_title)
 142       except LookupError:
 143          if log: log("   unknown charset: '%s'" % parser.charset)
 144    else:
 145       if log: log("   title          : %s" % title)
 146
 147    if title:
 148       final_title = recode_entities(converted_title, universal_charset)
 149       parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
 150       final_title = ' '.join([s for s in parts if s])
 151       if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
 152       parser.title = final_title
 153
 154    icon = parser.icon
 155    if isinstance(icon, unicode):
 156        try:
 157            parser.icon = icon.encode('ascii')
 158        except UnicodeEncodeError:
 159            if parser.charset:
 160                parser.icon = icon.encode(parser.charset)
 161    return parser
 162
 163
 164 if __name__ == '__main__':
 165    import sys
 166
 167    l = len(sys.argv)
 168    if l == 3:
 169       filename = sys.argv[1]
 170       charset = sys.argv[2]
 171    elif l == 2:
 172       filename = sys.argv[1]
 173       charset = universal_charset
 174    else:
 175       sys.exit("Usage: %s filename [charset]" % sys.argv[0])
 176
 177    parser = parse_html(filename, charset, log=lambda s: sys.stdout.write(s + '\n'))
 178    print "   refresh:", parser.refresh
 179    print "   icon   :", parser.icon