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          try:
  34             part = unichr(int(part[2:-1])).encode(charset)
  35          except UnicodeEncodeError:
  36             pass # Leave the entity as is
  37       output.append(part)
  38
  39    return ''.join(output)
  40
  41
  42 def parse_html(filename, charset=None, log=None):
  43    if charset:
  44       try:
  45          codecs.lookup(charset) # In case of unknown charset...
  46       except (ValueError, LookupError):
  47          charset = None         # ...try charset from HTML
  48
  49    for p in parsers:
  50       parser = p(filename, charset)
  51       if parser:
  52          break
  53       else:
  54          if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
  55
  56    converted_title = title = parser.title
  57    if not parser.charset:
  58       try:
  59          unicode(title, "ascii")
  60       except UnicodeDecodeError:
  61          parser.charset = DEFAULT_CHARSET
  62
  63    if parser.charset:
  64       parser.charset = parser.charset.replace("windows-", "cp").lower()
  65
  66    if parser.charset and (parser.charset <> current_charset):
  67       try:
  68          if parser.meta_charset:
  69             if log: log("   META charset   : %s" % parser.charset)
  70          else:
  71             if log: log("   HTTP charset   : %s" % parser.charset)
  72          if log: log("   current charset: %s" % current_charset)
  73          if log: log("   title          : %s" % title)
  74          save_title = title
  75          try:
  76             converted_title = unicode(title, parser.charset).encode(current_charset)
  77          except UnicodeError:
  78             if parser.meta_charset and parser.charset.endswith("1252") and \
  79                   not DEFAULT_CHARSET.endswith("1252") and (DEFAULT_CHARSET <> current_charset):
  80                parser.charset = DEFAULT_CHARSET
  81                if log: log("   incorrect conversion from cp1252, converting from %s" % DEFAULT_CHARSET)
  82                converted_title = unicode(save_title, DEFAULT_CHARSET, "replace").encode(current_charset, "replace")
  83             else:
  84                converted_title = unicode(title, parser.charset, "replace").encode(current_charset, "replace")
  85          if log and (converted_title <> title): log("   converted title: %s" % converted_title)
  86       except LookupError:
  87          if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, current_charset))
  88    else:
  89       if log: log("   title          : %s" % title)
  90
  91    final_title = recode_entities(converted_title, current_charset)
  92    parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
  93    final_title = ' '.join([s for s in parts if s])
  94    if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
  95    parser.title = final_title
  96    return parser
  97
  98
  99 if __name__ == '__main__':
 100    import sys
 101    parser = parse_html(sys.argv[1], current_charset)
 102    print parser.charset
 103    print parser.title
 104    print parser.refresh
 105    print parser.icon