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 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       else:
  82          self.icon = None
  83
  84
  85 import re
  86 entity_re = re.compile("(&#[0-9]+;)")
  87
  88 def recode_entities(title, charset):
  89    output = []
  90    for part in entity_re.split(title):
  91       if entity_re.match(part):
  92          part = unichr(int(part[2:-1])).encode(charset, "replace")
  93       output.append(part)
  94
  95    return ''.join(output)
  96
  97
  98 def parse_html(filename, charset=None, log=None):
  99    if charset:
 100       try:
 101          codecs.lookup(charset) # In case of unknown charset...
 102       except (ValueError, LookupError):
 103          charset = None         # ...try charset from HTML
 104
 105    infile = open(filename, 'r')
 106    parser = HTMLParser(charset)
 107
 108    for line in infile:
 109       try:
 110          parser.feed(line)
 111       except (HTMLParseError, HTMLHeadDone):
 112          break
 113
 114    infile.close()
 115
 116    try:
 117       parser.close()
 118    except (HTMLParseError, HTMLHeadDone):
 119       pass
 120
 121    title = parser.title
 122
 123    if not parser.charset:
 124       try:
 125          unicode(title, "ascii")
 126       except UnicodeDecodeError:
 127          parser.charset = DEFAULT_CHARSET
 128
 129    if parser.charset:
 130       parser.charset = parser.charset.replace("windows-", "cp").lower()
 131
 132    if parser.charset and (parser.charset <> current_charset):
 133       try:
 134          if parser.meta_charset:
 135             if log: log("   META charset   : %s" % parser.charset)
 136          else:
 137             if log: log("   charset        : %s" % parser.charset)
 138          if log: log("   title          : %s" % title)
 139          title = unicode(title, parser.charset, "replace").encode(current_charset, "replace")
 140          if log: log("   current charset: %s" % current_charset)
 141          if log: log("   converted title: %s" % title)
 142       except LookupError:
 143          if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, current_charset))
 144
 145    parser.title = recode_entities(title, current_charset)
 146    return parser
 147
 148
 149 if __name__ == '__main__':
 150    parser = parse_html(sys.argv[1])
 151    print parser.charset
 152    print parser.title
 153    print parser.refresh
 154    print parser.icon