Robots/parse_html.py

   1 #! /usr/bin/env python
   2 """
   3    HTML Parsers wrapper
   4
   5    Written by BroytMann. Copyright (C) 1997-2008 PhiloSoft Design
   6 """
   7
   8 import codecs
   9
  10 from m_lib.defenc import default_encoding
  11 current_charset = default_encoding.replace("windows-", "cp")
  12
  13 universal_charset = "utf-8"
  14 DEFAULT_CHARSET = "cp1251" # Stupid default for Russian Cyrillic
  15
  16 parsers = []
  17 try:
  18    from parse_html_beautifulsoup import parse_html
  19 except ImportError:
  20    pass
  21 else:
  22    parsers.append(parse_html)
  23
  24 from parse_html_htmlparser import parse_html
  25 parsers.append(parse_html)
  26
  27
  28 import re
  29 from htmlentitydefs import entitydefs
  30
  31 entity_re = re.compile("(&\w+;)")
  32 num_entity_re = re.compile("(&#[0-9]+;)")
  33
  34 def recode_entities(title, charset):
  35    output = []
  36    for part in num_entity_re.split(title):
  37       if num_entity_re.match(part):
  38          try:
  39             part = unichr(int(part[2:-1])).encode(charset)
  40          except UnicodeEncodeError:
  41             pass # Leave the entity as is
  42       output.append(part)
  43
  44    output2 = []
  45    for part in entity_re.split(''.join(output)):
  46       if entity_re.match(part):
  47          part = entitydefs.get(part[1:-1], part)
  48          if num_entity_re.match(part):
  49             try:
  50                part = unichr(int(part[2:-1])).encode(charset)
  51             except UnicodeEncodeError:
  52                pass # Leave the entity as is
  53       output2.append(part)
  54
  55    return ''.join(output2)
  56
  57
  58 def parse_html(filename, charset=None, log=None):
  59    if charset:
  60       try:
  61          codecs.lookup(charset) # In case of unknown charset...
  62       except (ValueError, LookupError):
  63          charset = None         # ...try charset from HTML
  64
  65    for p in parsers:
  66       parser = p(filename, charset)
  67       if parser:
  68          break
  69       else:
  70          if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
  71
  72    converted_title = title = parser.title
  73    if not parser.charset:
  74       try:
  75          unicode(title, "ascii")
  76       except UnicodeDecodeError:
  77          parser.charset = DEFAULT_CHARSET
  78
  79    if parser.charset:
  80       parser.charset = parser.charset.replace("windows-", "cp").lower()
  81
  82    if parser.charset and (parser.charset <> universal_charset):
  83       try:
  84          if parser.meta_charset:
  85             if log: log("   META charset   : %s" % parser.charset)
  86          else:
  87             if log: log("   HTTP charset   : %s" % parser.charset)
  88          if log: log("   current charset: %s" % universal_charset)
  89          if log: log("   title          : %s" % title)
  90          save_title = title
  91          try:
  92             converted_title = unicode(title, parser.charset).encode(universal_charset)
  93          except UnicodeError:
  94             if parser.meta_charset and parser.charset.endswith("1252") and \
  95                   not DEFAULT_CHARSET.endswith("1252") and (DEFAULT_CHARSET <> universal_charset):
  96                parser.charset = DEFAULT_CHARSET
  97                if log: log("   incorrect conversion from cp1252, converting from %s" % DEFAULT_CHARSET)
  98                converted_title = unicode(save_title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
  99             else:
 100                converted_title = unicode(title, parser.charset, "replace").encode(universal_charset, "replace")
 101          if log and (converted_title <> title): log("   converted title: %s" % converted_title)
 102       except LookupError:
 103          if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, universal_charset))
 104    else:
 105       if log: log("   title          : %s" % title)
 106
 107    final_title = recode_entities(converted_title, universal_charset)
 108    parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
 109    final_title = ' '.join([s for s in parts if s])
 110    if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
 111    parser.title = final_title
 112    return parser
 113
 114
 115 if __name__ == '__main__':
 116    import sys
 117    parser = parse_html(sys.argv[1], universal_charset)
 118    print parser.charset
 119    print parser.title
 120    print parser.title.decode(universal_charset).encode(current_charset, "replace")
 121    print parser.refresh
 122    print parser.icon