Robots/parse_html.py

   1 #! /usr/local/bin/python -O
   2 """
   3    HTML Parser
   4
   5    Written by BroytMann, Jun 2002 - Aug 2002. Copyright (C) 1997-2002 PhiloSoft Design
   6 """
   7
   8
   9 import sys
  10 current_charset = sys.getdefaultencoding()
  11 DEFAULT_CHARSET = "windows-1251"
  12
  13
  14 from HTMLParser import HTMLParseError
  15 from m_lib.www.html import HTMLParser as _HTMLParser
  16
  17
  18 class HTMLHeadDone(Exception): pass
  19
  20
  21 class HTMLParser(_HTMLParser):
  22    def __init__(self, charset=None):
  23       _HTMLParser.__init__(self)
  24       self.charset = charset
  25       self.meta_charset = 0
  26       self.title = ''
  27       self.refresh = ''
  28
  29    def end_head(self):
  30       raise HTMLHeadDone()
  31
  32
  33    def do_meta(self, attrs):
  34       http_equiv = ""
  35       content = ""
  36
  37       for attrname, value in attrs:
  38          if value:
  39             value = value.strip()
  40             if attrname == 'http-equiv':
  41                http_equiv = value.lower()
  42             elif attrname == 'content':
  43                content = value
  44
  45       if (not self.charset) and (http_equiv == "content-type"):
  46          try:
  47             # extract charset from "text/html; foo; charset=UTF-8; bar;"
  48             self.charset = content.lower().split('charset=')[1].split(';')[0]
  49             self.meta_charset = 1
  50          except IndexError:
  51             pass
  52
  53       if http_equiv == "refresh":
  54          self.refresh = content
  55
  56
  57    def start_title(self, attrs):
  58       self.accumulator = ''
  59    def end_title(self):
  60       if not self.title: # use only the first title
  61          self.title = self.accumulator
  62
  63
  64 def parse_html(filename, charset=None, log=None):
  65    infile = open(filename, 'r')
  66    parser = HTMLParser(charset)
  67
  68    for line in infile:
  69       try:
  70          parser.feed(line)
  71       except (HTMLParseError, HTMLHeadDone):
  72          break
  73
  74    infile.close()
  75
  76    try:
  77       parser.close()
  78    except (HTMLParseError, HTMLHeadDone):
  79       pass
  80
  81    if not parser.charset:
  82       title = parser.title
  83       ascii = 1
  84       for c in title:
  85          if not (32 <= ord(c) <= 127): # non-ASCII character
  86             ascii = 0
  87             break
  88       if not ascii:
  89          parser.charset = DEFAULT_CHARSET
  90    if parser.charset and (parser.charset <> current_charset):
  91       try:
  92          if parser.meta_charset:
  93             if log: log("   META charset   : %s" % parser.charset)
  94          else:
  95             if log: log("   charset        : %s" % parser.charset)
  96          if log: log("   title          : %s" % parser.title)
  97          parser.title = unicode(parser.title, parser.charset, "replace").encode(current_charset, "replace")
  98          if log: log("   current charset: %s" % current_charset)
  99          if log: log("   converted title: %s" % parser.title)
 100       except LookupError:
 101          if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, current_charset))
 102
 103    return parser
 104
 105
 106 if __name__ == '__main__':
 107    import sys
 108    parser = parse_html(sys.argv[1])
 109    print parser.charset
 110    print parser.title
 111    print parser.refresh