Robots/parse_html_beautifulsoup.py

   1 """
   2    HTML Parser using BeautifulSoup
   3
   4    Written by Broytman. Copyright (C) 2007-2010 PhiloSoft Design
   5 """
   6
   7 import re
   8 from sgmllib import SGMLParser, SGMLParseError
   9 from BeautifulSoup import BeautifulSoup, CData
  10 from parse_html_util import HTMLParser
  11
  12
  13 # http://groups.google.com/group/beautifulsoup/browse_thread/thread/69093cb0d3a3cf63
  14 class BadDeclParser(BeautifulSoup):
  15     def parse_declaration(self, i):
  16          """Treat a bogus SGML declaration as raw data. Treat a CDATA
  17          declaration as a CData object."""
  18          j = None
  19          if self.rawdata[i:i+9] == '<![CDATA[':
  20               k = self.rawdata.find(']]>', i)
  21               if k == -1:
  22                   k = len(self.rawdata)
  23               data = self.rawdata[i+9:k]
  24               j = k+3
  25               self._toStringSubclass(data, CData)
  26          else:
  27              try:
  28                  j = SGMLParser.parse_declaration(self, i)
  29              except SGMLParseError:
  30                  # Could not parse the DOCTYPE declaration
  31                  # Try to just skip the actual declaration
  32                  match = re.search(r'<!DOCTYPE([^>]*?)>', self.rawdata[i:], re.MULTILINE|re.IGNORECASE)
  33                  if match:
  34                      toHandle = self.rawdata[i:match.end()]
  35                  else:
  36                      toHandle = self.rawdata[i:]
  37                  self.handle_data(toHandle)
  38                  j = i + len(toHandle)
  39          return j
  40
  41
  42 def _parse_html(filename, charset):
  43    infile = open(filename, 'r')
  44    try:
  45       return BadDeclParser(infile, fromEncoding=charset)
  46    except TypeError:
  47       return None
  48    finally:
  49       infile.close()
  50
  51 def parse_html(filename, charset=None, log=None):
  52    root = _parse_html(filename, charset)
  53    if root is None:
  54       return None
  55
  56    _charset = root.originalEncoding
  57    if _charset in ("ISO-8859-2", "windows-1252", "MacCyrillic"): # Replace default
  58       _charset = DEFAULT_CHARSET
  59       root = _parse_html(filename, _charset)
  60       if root is None:
  61          return None
  62
  63    html = root.html
  64    if html is None:
  65       html = root
  66
  67    head = html.head
  68    if head is None:
  69       head = html # Some sites put TITLE in HTML without HEAD
  70
  71    title = head.title
  72    if (title is None) and (html is not head):
  73       # Some sites put TITLE in HTML outside of HEAD
  74       title = html.title
  75
  76    if title is None:
  77       # Lookup TITLE in the root
  78       title = root.title
  79
  80    if title is not None:
  81       if title.string:
  82          title = title.string.encode(_charset)
  83       else:
  84          parts = []
  85          for part in title:
  86             if not isinstance(part, basestring):
  87                part = unicode(part)
  88             parts.append(part.strip())
  89          title = ''.join(parts).encode(_charset)
  90
  91    meta = head.find(_find_contenttype, recursive=False)
  92    if meta:
  93       try:
  94          meta_content = meta.get("content")
  95          if meta_content:
  96              __charset = meta_content.lower().split('charset=')[1].split(';')[0]
  97          else:
  98              __charset = False
  99       except IndexError: # No charset in the META Content-Type
 100          meta_charset = False
 101       else:
 102          meta_charset = _charset == __charset
 103    else:
 104       meta_charset = False
 105
 106    meta = head.find(_find_refresh, recursive=False)
 107    if meta:
 108       refresh = meta.get("content")
 109    else:
 110       refresh = None
 111
 112    meta = head.find(_find_icon, recursive=False)
 113    if meta:
 114       icon = meta.get("href")
 115    else:
 116       icon = None
 117
 118    return HTMLParser(_charset, meta_charset, title, refresh, icon)
 119
 120 def _find_contenttype(Tag):
 121    return (Tag.name == "meta") and \
 122       (Tag.get("http-equiv", '').lower() == "content-type")
 123
 124 def _find_refresh(Tag):
 125    return (Tag.name == "meta") and \
 126       (Tag.get("http-equiv", '').lower() == "refresh")
 127
 128 def _find_icon(Tag):
 129    return (Tag.name == "link") and \
 130       (Tag.get("rel", '').lower() in ('icon', 'shortcut icon'))