Robots/parse_html.py

   1 #! /usr/bin/env python
   2 """
   3    HTML Parsers wrapper
   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 parsers = []
  15 try:
  16    from parse_html_beautifulsoup import parse_html
  17 except ImportError:
  18    pass
  19 else:
  20    parsers.append(parse_html)
  21
  22 from parse_html_htmlparser import parse_html
  23 parsers.append(parse_html)
  24
  25
  26 import re
  27 entity_re = re.compile("(&#[0-9]+;)")
  28
  29 def recode_entities(title, charset):
  30    output = []
  31    for part in entity_re.split(title):
  32       if entity_re.match(part):
  33          part = unichr(int(part[2:-1])).encode(charset, "replace")
  34       output.append(part)
  35
  36    return ''.join(output)
  37
  38
  39 def parse_html(filename, charset=None, log=None):
  40    if charset:
  41       try:
  42          codecs.lookup(charset) # In case of unknown charset...
  43       except (ValueError, LookupError):
  44          charset = None         # ...try charset from HTML
  45
  46    for p in parsers:
  47       parser = p(filename, charset)
  48       if parser:
  49          break
  50       else:
  51          if log: log("Parser %s failed, trying next one." % p)
  52
  53    title = parser.title
  54    if not parser.charset:
  55       try:
  56          unicode(title, "ascii")
  57       except UnicodeDecodeError:
  58          parser.charset = DEFAULT_CHARSET
  59
  60    if parser.charset:
  61       parser.charset = parser.charset.replace("windows-", "cp").lower()
  62
  63    if parser.charset and (parser.charset <> current_charset):
  64       try:
  65          if parser.meta_charset:
  66             if log: log("   META charset   : %s" % parser.charset)
  67          else:
  68             if log: log("   HTTP charset   : %s" % parser.charset)
  69          if log: log("   current charset: %s" % current_charset)
  70          if log: log("   title          : %s" % title)
  71          save_title = title
  72          try:
  73             title = unicode(title, parser.charset).encode(current_charset)
  74          except UnicodeError:
  75             if parser.meta_charset and parser.charset.endswith("1252") and \
  76                   not DEFAULT_CHARSET.endswith("1252") and (DEFAULT_CHARSET <> current_charset):
  77                parser.charset = DEFAULT_CHARSET
  78                if log: log("   incorrect conversion from cp1252, converting from %s" % DEFAULT_CHARSET)
  79                title = unicode(save_title, DEFAULT_CHARSET, "replace").encode(current_charset, "replace")
  80             else:
  81                title = unicode(title, parser.charset, "replace").encode(current_charset, "replace")
  82          if log: log("   converted title: %s" % title)
  83       except LookupError:
  84          if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, current_charset))
  85
  86    parser.title = recode_entities(title, current_charset)
  87    return parser
  88
  89
  90 if __name__ == '__main__':
  91    import sys
  92    parser = parse_html(sys.argv[1], current_charset)
  93    print parser.charset
  94    print parser.title
  95    print parser.refresh
  96    print parser.icon