Robots/parse_html.py

   1 #! /usr/local/bin/python -O
   2 """
   3    HTML Parser
   4
   5    Written by BroytMann, Jun 2002 - May 2003. Copyright (C) 1997-2003 PhiloSoft Design
   6 """
   7
   8
   9 import sys
  10 current_charset = sys.getdefaultencoding()
  11 DEFAULT_CHARSET = "windows-1251" # Stupid default for Russian Cyrillic
  12
  13
  14 from HTMLParser import HTMLParseError
  15 from m_lib.net.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 # Remember that the charset was retrieved from
  50                                   # META tag, not from the Content-Type header
  51          except IndexError:
  52             pass
  53
  54       if http_equiv == "refresh":
  55          self.refresh = content
  56
  57
  58    def start_title(self, attrs):
  59       self.accumulator = ''
  60
  61    def end_title(self):
  62       if not self.title: # use only the first title
  63          self.title = self.accumulator
  64
  65
  66 import re
  67 entity_re = re.compile("(&#[0-9]+;)")
  68
  69 def recode_entities(title, charset):
  70    output = []
  71    for part in entity_re.split(title):
  72       if entity_re.match(part):
  73          part = unichr(int(part[2:-1])).encode(charset, "replace")
  74       output.append(part)
  75
  76    return ''.join(output)
  77
  78
  79 def parse_html(filename, charset=None, log=None):
  80    infile = open(filename, 'r')
  81    parser = HTMLParser(charset)
  82
  83    for line in infile:
  84       try:
  85          parser.feed(line)
  86       except (HTMLParseError, HTMLHeadDone):
  87          break
  88
  89    infile.close()
  90
  91    try:
  92       parser.close()
  93    except (HTMLParseError, HTMLHeadDone):
  94       pass
  95
  96    title = parser.title
  97
  98    if not parser.charset:
  99       ascii = 1
 100       for c in title:
 101          if not (32 <= ord(c) <= 127): # non-ASCII character
 102             ascii = 0
 103             break
 104       if not ascii:
 105          parser.charset = DEFAULT_CHARSET
 106
 107    if parser.charset and (parser.charset <> current_charset):
 108       try:
 109          if parser.meta_charset:
 110             if log: log("   META charset   : %s" % parser.charset)
 111          else:
 112             if log: log("   charset        : %s" % parser.charset)
 113          if log: log("   title          : %s" % title)
 114          title = unicode(title, parser.charset, "replace").encode(current_charset, "replace")
 115          if log: log("   current charset: %s" % current_charset)
 116          if log: log("   converted title: %s" % title)
 117       except LookupError:
 118          if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, current_charset))
 119
 120    parser.title = recode_entities(title, current_charset)
 121    return parser
 122
 123
 124 if __name__ == '__main__':
 125    import sys
 126    parser = parse_html(sys.argv[1])
 127    print parser.charset
 128    print parser.title
 129    print parser.refresh