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_beautifulsoup
  17    parse_html_beautifulsoup.DEFAULT_CHARSET = DEFAULT_CHARSET
  18 except ImportError:
  19    pass
  20 else:
  21    parsers.append(parse_html_beautifulsoup.parse_html)
  22
  23 try:
  24    from parse_html_htmlparser import parse_html
  25 except ImportError:
  26    pass
  27 else:
  28     parsers.append(parse_html)
  29
  30 try:
  31    import parse_html_html5
  32 except ImportError:
  33    pass
  34 else:
  35    parsers.append(parse_html_html5.parse_html)
  36
  37
  38 import re
  39 from htmlentitydefs import name2codepoint
  40
  41 entity_re = re.compile("(&\w+;)")
  42 num_entity_re = re.compile("(&#[0-9]+;)")
  43
  44 def recode_entities(title, charset):
  45    output = []
  46    for part in entity_re.split(title):
  47       if part not in ("&amp;", "&lt;", "&gt;", "&quot;") and \
  48             entity_re.match(part):
  49          _part = name2codepoint.get(part[1:-1], None)
  50          if _part is not None:
  51              part = unichr(_part).encode(charset)
  52       output.append(part)
  53    title = ''.join(output)
  54
  55    output = []
  56    for part in num_entity_re.split(title):
  57       if num_entity_re.match(part):
  58          try:
  59             part = unichr(int(part[2:-1])).encode(charset)
  60          except UnicodeEncodeError:
  61             pass # Leave the entity as is
  62       output.append(part)
  63
  64    return ''.join(output)
  65
  66
  67 def parse_html(filename, charset=None, log=None):
  68    if not parsers:
  69        return None
  70
  71    if charset:
  72       try:
  73          codecs.lookup(charset) # In case of unknown charset...
  74       except (ValueError, LookupError):
  75          charset = None         # ...try charset from HTML
  76
  77    charsets = [universal_charset, DEFAULT_CHARSET]
  78    if charset:
  79       charset = charset.lower().replace("windows-", "cp")
  80       if charset in charsets:
  81          charsets.remove(charset)
  82       charsets.insert(0, charset)
  83
  84    for p in parsers:
  85       parser = None
  86       for c in charsets:
  87          try:
  88             parser = p(filename, c, log)
  89             break
  90          except UnicodeEncodeError:
  91             pass
  92       if parser:
  93          break
  94       else:
  95          if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
  96
  97    if not parser:
  98        return None
  99
 100    converted_title = title = parser.title
 101    if title and (not parser.charset):
 102       try:
 103          unicode(title, "ascii")
 104       except UnicodeDecodeError:
 105          parser.charset = DEFAULT_CHARSET
 106
 107    if parser.charset:
 108       parser.charset = parser.charset.lower().replace("windows-", "cp")
 109
 110    if title and parser.charset and (
 111          (parser.charset <> universal_charset) or
 112          ((not charset) or (charset <> parser.charset))):
 113       try:
 114          if parser.meta_charset:
 115             if log: log("   META charset   : %s" % parser.charset)
 116          elif (not charset) or (charset <> parser.charset):
 117             if log: log("   guessed charset: %s" % parser.charset)
 118          if log: log("   current charset: %s" % universal_charset)
 119          if log: log("   title          : %s" % title)
 120          if parser.charset <> universal_charset:
 121             try:
 122                converted_title = unicode(title, parser.charset).encode(universal_charset)
 123             except UnicodeError:
 124                if log: log("   incorrect conversion from %s, converting from %s" % (parser.charset, DEFAULT_CHARSET))
 125                converted_title = unicode(title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
 126                parser.charset = DEFAULT_CHARSET
 127          if log and (converted_title <> title): log("   converted title: %s" % converted_title)
 128       except LookupError:
 129          if log: log("   unknown charset: '%s'" % parser.charset)
 130    else:
 131       if log: log("   title          : %s" % title)
 132
 133    if title:
 134       final_title = recode_entities(converted_title, universal_charset)
 135       parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
 136       final_title = ' '.join([s for s in parts if s])
 137       if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
 138       parser.title = final_title
 139    return parser
 140
 141
 142 if __name__ == '__main__':
 143    import sys
 144
 145    l = len(sys.argv)
 146    if l == 3:
 147       filename = sys.argv[1]
 148       charset = sys.argv[2]
 149    elif l == 2:
 150       filename = sys.argv[1]
 151       charset = universal_charset
 152    else:
 153       sys.exit("Usage: %s filename [charset]" % sys.argv[0])
 154
 155    parser = parse_html(filename, charset, log=lambda s: sys.stdout.write(s + '\n'))
 156    print "   refresh:", parser.refresh
 157    print "   icon   :", parser.icon