Robots/parse_html.py

   1 #! /usr/bin/env python
   2 """
   3    HTML Parser
   4
   5    Written by BroytMann. Copyright (C) 1997-2007 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 DEFAULT_CHARSET = "cp1251" # Stupid default for Russian Cyrillic
  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       self.icon = None
  29
  30    def end_head(self):
  31       raise HTMLHeadDone()
  32
  33
  34    def do_meta(self, attrs):
  35       http_equiv = ""
  36       content = ""
  37
  38       for attrname, value in attrs:
  39          if value:
  40             value = value.strip()
  41             if attrname == 'http-equiv':
  42                http_equiv = value.lower()
  43             elif attrname == 'content':
  44                content = value
  45
  46       if (not self.charset) and (http_equiv == "content-type"):
  47          try:
  48             # extract charset from "text/html; foo; charset=UTF-8; bar;"
  49             self.charset = content.lower().split('charset=')[1].split(';')[0]
  50             self.meta_charset = 1 # Remember that the charset was retrieved from
  51                                   # META tag, not from the Content-Type header
  52          except IndexError:
  53             pass
  54
  55       if http_equiv == "refresh":
  56          self.refresh = content
  57
  58
  59    def start_title(self, attrs):
  60       self.accumulator = ''
  61
  62    def end_title(self):
  63       if not self.title: # use only the first title
  64          self.title = self.accumulator
  65
  66
  67    def do_link(self, attrs):
  68       has_icon = False
  69       href = None
  70
  71       for attrname, value in attrs:
  72          if value:
  73             value = value.strip().lower()
  74             if (attrname == 'rel') and (value.lower() in ('icon', 'shortcut icon')):
  75                has_icon = True
  76             elif attrname == 'href':
  77                href = value
  78
  79       if has_icon:
  80          self.icon = href
  81
  82
  83 import re
  84 entity_re = re.compile("(&#[0-9]+;)")
  85
  86 def recode_entities(title, charset):
  87    output = []
  88    for part in entity_re.split(title):
  89       if entity_re.match(part):
  90          part = unichr(int(part[2:-1])).encode(charset, "replace")
  91       output.append(part)
  92
  93    return ''.join(output)
  94
  95
  96 def parse_html(filename, charset=None, log=None):
  97    if charset:
  98       try:
  99          codecs.lookup(charset) # In case of unknown charset...
 100       except (ValueError, LookupError):
 101          charset = None         # ...try charset from HTML
 102
 103    infile = open(filename, 'r')
 104    parser = HTMLParser(charset)
 105
 106    for line in infile:
 107       try:
 108          parser.feed(line)
 109       except (HTMLParseError, HTMLHeadDone):
 110          break
 111
 112    infile.close()
 113
 114    try:
 115       parser.close()
 116    except (HTMLParseError, HTMLHeadDone):
 117       pass
 118
 119    title = parser.title
 120
 121    if not parser.charset:
 122       try:
 123          unicode(title, "ascii")
 124       except UnicodeDecodeError:
 125          parser.charset = DEFAULT_CHARSET
 126
 127    if parser.charset:
 128       parser.charset = parser.charset.replace("windows-", "cp").lower()
 129
 130    if parser.charset and (parser.charset <> current_charset):
 131       try:
 132          if parser.meta_charset:
 133             if log: log("   META charset   : %s" % parser.charset)
 134          else:
 135             if log: log("   charset        : %s" % parser.charset)
 136          if log: log("   title          : %s" % title)
 137          title = unicode(title, parser.charset, "replace").encode(current_charset, "replace")
 138          if log: log("   current charset: %s" % current_charset)
 139          if log: log("   converted title: %s" % title)
 140       except LookupError:
 141          if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, current_charset))
 142
 143    parser.title = recode_entities(title, current_charset)
 144    return parser
 145
 146
 147 if __name__ == '__main__':
 148    import sys
 149    parser = parse_html(sys.argv[1])
 150    print parser.charset
 151    print parser.title
 152    print parser.refresh
 153    print parser.icon