Robots/parse_html.py

   1 #! /usr/bin/env python
   2 """
   3    HTML Parsers wrapper
   4
   5    Written by Broytman. Copyright (C) 1997-2010 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
  15 try:
  16    import parse_html_html5
  17 except ImportError:
  18    pass
  19 else:
  20    parsers.append(parse_html_html5.parse_html)
  21
  22 try:
  23    import parse_html_beautifulsoup
  24    parse_html_beautifulsoup.DEFAULT_CHARSET = DEFAULT_CHARSET
  25 except ImportError:
  26    pass
  27 else:
  28    parsers.append(parse_html_beautifulsoup.parse_html)
  29
  30 from parse_html_htmlparser import parse_html
  31 parsers.append(parse_html)
  32
  33
  34 import re
  35 from htmlentitydefs import name2codepoint
  36
  37 entity_re = re.compile("(&\w+;)")
  38 num_entity_re = re.compile("(&#[0-9]+;)")
  39
  40 def recode_entities(title, charset):
  41    output = []
  42    for part in entity_re.split(title):
  43       if part not in ("&amp;", "&lt;", "&gt;", "&quot;") and \
  44             entity_re.match(part):
  45          _part = name2codepoint.get(part[1:-1], None)
  46          if _part is not None:
  47              part = unichr(_part).encode(charset)
  48       output.append(part)
  49    title = ''.join(output)
  50
  51    output = []
  52    for part in num_entity_re.split(title):
  53       if num_entity_re.match(part):
  54          try:
  55             part = unichr(int(part[2:-1])).encode(charset)
  56          except UnicodeEncodeError:
  57             pass # Leave the entity as is
  58       output.append(part)
  59
  60    return ''.join(output)
  61
  62
  63 def parse_html(filename, charset=None, log=None):
  64    if charset:
  65       try:
  66          codecs.lookup(charset) # In case of unknown charset...
  67       except (ValueError, LookupError):
  68          charset = None         # ...try charset from HTML
  69
  70    charsets = [universal_charset, DEFAULT_CHARSET]
  71    if charset:
  72       charset = charset.lower().replace("windows-", "cp")
  73       if charset not in charsets:
  74          charsets.insert(0, charset)
  75
  76    for p in parsers:
  77       parser = None
  78       for c in charsets:
  79          try:
  80             parser = p(filename, c, log)
  81             break
  82          except UnicodeEncodeError:
  83             pass
  84       if parser:
  85          break
  86       else:
  87          if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
  88
  89    converted_title = title = parser.title
  90    if title and (not parser.charset):
  91       try:
  92          unicode(title, "ascii")
  93       except UnicodeDecodeError:
  94          parser.charset = DEFAULT_CHARSET
  95
  96    if parser.charset:
  97       parser.charset = parser.charset.lower().replace("windows-", "cp")
  98
  99    if title and parser.charset and (
 100          (parser.charset <> universal_charset) or
 101          ((not charset) or (charset <> parser.charset))):
 102       try:
 103          if parser.meta_charset:
 104             if log: log("   META charset   : %s" % parser.charset)
 105          elif (not charset) or (charset <> parser.charset):
 106             if log: log("   guessed charset: %s" % parser.charset)
 107          if log: log("   current charset: %s" % universal_charset)
 108          if log: log("   title          : %s" % title)
 109          if parser.charset <> universal_charset:
 110             try:
 111                converted_title = unicode(title, parser.charset).encode(universal_charset)
 112             except UnicodeError:
 113                if log: log("   incorrect conversion from %s, converting from %s" % (parser.charset, DEFAULT_CHARSET))
 114                converted_title = unicode(title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
 115                parser.charset = DEFAULT_CHARSET
 116          if log and (converted_title <> title): log("   converted title: %s" % converted_title)
 117       except LookupError:
 118          if log: log("   unknown charset: '%s'" % parser.charset)
 119    else:
 120       if log: log("   title          : %s" % title)
 121
 122    if title:
 123       final_title = recode_entities(converted_title, universal_charset)
 124       parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
 125       final_title = ' '.join([s for s in parts if s])
 126       if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
 127       parser.title = final_title
 128    return parser
 129
 130
 131 if __name__ == '__main__':
 132    import sys
 133
 134    l = len(sys.argv)
 135    if l == 3:
 136       filename = sys.argv[1]
 137       charset = sys.argv[2]
 138    elif l == 2:
 139       filename = sys.argv[1]
 140       charset = universal_charset
 141    else:
 142       sys.exit("Usage: %s filename [charset]" % sys.argv[0])
 143
 144    parser = parse_html(filename, charset, log=lambda s: sys.stdout.write(s + '\n'))
 145    print "   refresh:", parser.refresh
 146    print "   icon   :", parser.icon