Robots/parse_html_beautifulsoup.py

   1 """
   2    HTML Parser using BeautifulSoup
   3
   4    Written by BroytMann. Copyright (C) 2007, 2008 PhiloSoft Design
   5 """
   6
   7 import re
   8 from sgmllib import SGMLParser, SGMLParseError
   9 from HTMLParser import HTMLParser
  10 from BeautifulSoup import BeautifulSoup, CData
  11
  12
  13 class BSoupParser(HTMLParser):
  14    def __init__(self, charset, meta, title, refresh, icon):
  15       object.__init__(self)
  16       self.charset = charset
  17       self.meta_charset = meta
  18       self.title = title
  19       self.refresh = refresh
  20       self.icon = icon
  21
  22
  23 # http://groups.google.com/group/beautifulsoup/browse_thread/thread/69093cb0d3a3cf63
  24 class BadDeclParser(BeautifulSoup):
  25     def parse_declaration(self, i):
  26          """Treat a bogus SGML declaration as raw data. Treat a CDATA
  27          declaration as a CData object."""
  28          j = None
  29          if self.rawdata[i:i+9] == '<![CDATA[':
  30               k = self.rawdata.find(']]>', i)
  31               if k == -1:
  32                   k = len(self.rawdata)
  33               data = self.rawdata[i+9:k]
  34               j = k+3
  35               self._toStringSubclass(data, CData)
  36          else:
  37              try:
  38                  j = SGMLParser.parse_declaration(self, i)
  39              except SGMLParseError:
  40                  # Could not parse the DOCTYPE declaration
  41                  # Try to just skip the actual declaration
  42                  match = re.search(r'<!DOCTYPE([^>]*?)>', self.rawdata[i:], re.MULTILINE)
  43                  if match:
  44                      toHandle = self.rawdata[i:match.end()]
  45                  else:
  46                      toHandle = self.rawdata[i:]
  47                  self.handle_data(toHandle)
  48                  j = i + len(toHandle)
  49          return j
  50
  51
  52 def parse_html(filename, charset=None):
  53    infile = open(filename, 'r')
  54    try:
  55       root = BadDeclParser(infile, fromEncoding=charset)
  56    except TypeError:
  57       return None
  58    finally:
  59       infile.close()
  60
  61    try:
  62       head = root.html.head
  63    except AttributeError:
  64       return None
  65
  66    if head is None:
  67       head = root.html # Some sites put TITLE in HTML without HEAD
  68
  69    _charset = root.originalEncoding
  70    if _charset == "windows-1252": # Replace default
  71       _charset = DEFAULT_CHARSET
  72
  73    try:
  74       title = head.title.string.encode(_charset)
  75    except AttributeError:
  76       title = '' # HEAD but no TITLE
  77
  78    if (not title) and (head is not root.html):
  79       # Some sites put TITLE in HTML outside of HEAD
  80
  81       try:
  82          title = root.html.title.string.encode(_charset)
  83       except AttributeError:
  84          title = '' # no TITLE in HTML too
  85
  86    meta = head.find(_find_contenttype, recursive=False)
  87    if meta:
  88       __charset = meta.get("content").lower().split('charset=')[1].split(';')[0]
  89       meta_charset = _charset == __charset
  90    else:
  91       meta_charset = False
  92
  93    meta = head.find(_find_refresh, recursive=False)
  94    if meta:
  95       refresh = meta.get("content")
  96    else:
  97       refresh = None
  98
  99    meta = head.find(_find_icon, recursive=False)
 100    if meta:
 101       icon = meta.get("href")
 102    else:
 103       icon = None
 104
 105    return BSoupParser(_charset, meta_charset, title, refresh, icon)
 106
 107 def _find_contenttype(Tag):
 108    return (Tag.name == "meta") and \
 109       (Tag.get("http-equiv", '').lower() == "content-type")
 110
 111 def _find_refresh(Tag):
 112    return (Tag.name == "meta") and \
 113       (Tag.get("http-equiv", '').lower() == "refresh")
 114
 115 def _find_icon(Tag):
 116    return (Tag.name == "link") and \
 117       (Tag.get("rel", '').lower() in ('icon', 'shortcut icon'))