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
   9 import sys
  10 current_charset = sys.getdefaultencoding()
  11 if current_charset == "ascii":
  12    try:
  13       import locale
  14    except ImportError:
  15       pass
  16    else:
  17       current_charset = locale.getpreferredencoding()
  18 current_charset = current_charset.replace("windows-", "cp").lower()
  19 DEFAULT_CHARSET = "cp1251" # Stupid default for Russian Cyrillic
  20
  21
  22 from HTMLParser import HTMLParseError
  23 from m_lib.net.www.html import HTMLParser as _HTMLParser
  24
  25
  26 class HTMLHeadDone(Exception): pass
  27
  28
  29 class HTMLParser(_HTMLParser):
  30    def __init__(self, charset=None):
  31       _HTMLParser.__init__(self)
  32       self.charset = charset
  33       self.meta_charset = 0
  34       self.title = ''
  35       self.refresh = ''
  36
  37    def end_head(self):
  38       raise HTMLHeadDone()
  39
  40
  41    def do_meta(self, attrs):
  42       http_equiv = ""
  43       content = ""
  44
  45       for attrname, value in attrs:
  46          if value:
  47             value = value.strip()
  48             if attrname == 'http-equiv':
  49                http_equiv = value.lower()
  50             elif attrname == 'content':
  51                content = value
  52
  53       if (not self.charset) and (http_equiv == "content-type"):
  54          try:
  55             # extract charset from "text/html; foo; charset=UTF-8; bar;"
  56             self.charset = content.lower().split('charset=')[1].split(';')[0]
  57             self.meta_charset = 1 # Remember that the charset was retrieved from
  58                                   # META tag, not from the Content-Type header
  59          except IndexError:
  60             pass
  61
  62       if http_equiv == "refresh":
  63          self.refresh = content
  64
  65
  66    def start_title(self, attrs):
  67       self.accumulator = ''
  68
  69    def end_title(self):
  70       if not self.title: # use only the first title
  71          self.title = self.accumulator
  72
  73
  74    def do_link(self, attrs):
  75       has_icon = False
  76       href = None
  77
  78       for attrname, value in attrs:
  79          if value:
  80             value = value.strip().lower()
  81             if (attrname == 'rel') and (value in ('icon', 'shortcut icon')):
  82                has_icon = True
  83             elif attrname == 'href':
  84                href = value
  85
  86       if has_icon:
  87          self.icon = href
  88       else:
  89          self.icon = None
  90
  91
  92 import re
  93 entity_re = re.compile("(&#[0-9]+;)")
  94
  95 def recode_entities(title, charset):
  96    output = []
  97    for part in entity_re.split(title):
  98       if entity_re.match(part):
  99          part = unichr(int(part[2:-1])).encode(charset, "replace")
 100       output.append(part)
 101
 102    return ''.join(output)
 103
 104
 105 def parse_html(filename, charset=None, log=None):
 106    infile = open(filename, 'r')
 107    parser = HTMLParser(charset)
 108
 109    for line in infile:
 110       try:
 111          parser.feed(line)
 112       except (HTMLParseError, HTMLHeadDone):
 113          break
 114
 115    infile.close()
 116
 117    try:
 118       parser.close()
 119    except (HTMLParseError, HTMLHeadDone):
 120       pass
 121
 122    title = parser.title
 123
 124    if not parser.charset:
 125       try:
 126          unicode(title, "ascii")
 127       except UnicodeDecodeError:
 128          parser.charset = DEFAULT_CHARSET
 129
 130    if parser.charset:
 131       parser.charset = parser.charset.replace("windows-", "cp").lower()
 132
 133    if parser.charset and (parser.charset <> current_charset):
 134       try:
 135          if parser.meta_charset:
 136             if log: log("   META charset   : %s" % parser.charset)
 137          else:
 138             if log: log("   charset        : %s" % parser.charset)
 139          if log: log("   title          : %s" % title)
 140          title = unicode(title, parser.charset, "replace").encode(current_charset, "replace")
 141          if log: log("   current charset: %s" % current_charset)
 142          if log: log("   converted title: %s" % title)
 143       except LookupError:
 144          if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, current_charset))
 145
 146    parser.title = recode_entities(title, current_charset)
 147    return parser
 148
 149
 150 if __name__ == '__main__':
 151    import sys
 152    parser = parse_html(sys.argv[1])
 153    print parser.charset
 154    print parser.title
 155    print parser.refresh
 156    print parser.icon