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 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 entitydefs
  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 entity_re.match(part):
  36          part = entitydefs.get(part[1:-1], part)
  37       output.append(part)
  38
  39    output2 = []
  40    for part in num_entity_re.split(''.join(output)):
  41       if num_entity_re.match(part):
  42          try:
  43             part = unichr(int(part[2:-1])).encode(charset)
  44          except UnicodeEncodeError:
  45             pass # Leave the entity as is
  46       output2.append(part)
  47
  48    return ''.join(output2)
  49
  50
  51 def parse_html(filename, charset=None, log=None):
  52    if charset:
  53       try:
  54          codecs.lookup(charset) # In case of unknown charset...
  55       except (ValueError, LookupError):
  56          charset = None         # ...try charset from HTML
  57
  58    for p in parsers:
  59       charsets = [universal_charset, DEFAULT_CHARSET]
  60       if charset not in charsets:
  61          charsets.insert(0, charset)
  62       parser = None
  63       for c in charsets:
  64          try:
  65             parser = p(filename, c)
  66             break
  67          except UnicodeEncodeError:
  68             pass
  69       if parser:
  70          break
  71       else:
  72          if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
  73
  74    converted_title = title = parser.title
  75    if not parser.charset:
  76       try:
  77          unicode(title, "ascii")
  78       except UnicodeDecodeError:
  79          parser.charset = DEFAULT_CHARSET
  80
  81    if parser.charset:
  82       parser.charset = parser.charset.replace("windows-", "cp").lower()
  83
  84    if parser.charset and (parser.charset <> universal_charset):
  85       try:
  86          if parser.meta_charset:
  87             if log: log("   META charset   : %s" % parser.charset)
  88          else:
  89             if log: log("   guessed charset: %s" % parser.charset)
  90          if log: log("   current charset: %s" % universal_charset)
  91          if log: log("   title          : %s" % title)
  92          try:
  93             converted_title = unicode(title, parser.charset).encode(universal_charset)
  94          except UnicodeError:
  95             if log: log("   incorrect conversion from %s, converting from %s" % (parser.charset, DEFAULT_CHARSET))
  96             converted_title = unicode(title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
  97             parser.charset = DEFAULT_CHARSET
  98          if log and (converted_title <> title): log("   converted title: %s" % converted_title)
  99       except LookupError:
 100          if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, universal_charset))
 101    else:
 102       if log: log("   title          : %s" % title)
 103
 104    final_title = recode_entities(converted_title, universal_charset)
 105    parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
 106    final_title = ' '.join([s for s in parts if s])
 107    if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
 108    parser.title = final_title
 109    return parser
 110
 111
 112 if __name__ == '__main__':
 113    import sys
 114    from m_lib.defenc import default_encoding
 115    current_charset = default_encoding.replace("windows-", "cp")
 116
 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