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|re.IGNORECASE)
  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):
  53    infile = open(filename, 'r')
  54    try:
  55       return BadDeclParser(infile, fromEncoding=charset)
  56    except TypeError:
  57       return None
  58    finally:
  59       infile.close()
  60
  61 def parse_html(filename, charset=None, log=None):
  62    root = _parse_html(filename, charset)
  63    if root is None:
  64       return None
  65
  66    _charset = root.originalEncoding
  67    if _charset in ("ISO-8859-2", "windows-1252", "MacCyrillic"): # Replace default
  68       _charset = DEFAULT_CHARSET
  69       root = _parse_html(filename, _charset)
  70       if root is None:
  71          return None
  72
  73    try:
  74       html = root.html
  75    except AttributeError:
  76       if log: log("No HTML in root")
  77       html = root
  78
  79    if html is None:
  80       html = root
  81
  82    try:
  83       head = html.head
  84    except AttributeError:
  85       if log: log("No HEAD in HTML")
  86       head = html
  87
  88    if head is None:
  89       head = html # Some sites put TITLE in HTML without HEAD
  90
  91    try:
  92       title = head.title.string.encode(_charset)
  93    except AttributeError:
  94       title = '' # HEAD but no TITLE
  95
  96    if (not title) and (head is not html):
  97       # Some sites put TITLE in HTML outside of HEAD
  98
  99       try:
 100          title = html.title.string.encode(_charset)
 101       except AttributeError:
 102          title = '' # no TITLE in HTML too
 103
 104    meta = head.find(_find_contenttype, recursive=False)
 105    if meta:
 106       try:
 107          __charset = meta.get("content").lower().split('charset=')[1].split(';')[0]
 108       except IndexError: # No charset in the META Content-Type
 109          meta_charset = False
 110       else:
 111          meta_charset = _charset == __charset
 112    else:
 113       meta_charset = False
 114
 115    meta = head.find(_find_refresh, recursive=False)
 116    if meta:
 117       refresh = meta.get("content")
 118    else:
 119       refresh = None
 120
 121    meta = head.find(_find_icon, recursive=False)
 122    if meta:
 123       icon = meta.get("href")
 124    else:
 125       icon = None
 126
 127    return BSoupParser(_charset, meta_charset, title, refresh, icon)
 128
 129 def _find_contenttype(Tag):
 130    return (Tag.name == "meta") and \
 131       (Tag.get("http-equiv", '').lower() == "content-type")
 132
 133 def _find_refresh(Tag):
 134    return (Tag.name == "meta") and \
 135       (Tag.get("http-equiv", '').lower() == "refresh")
 136
 137 def _find_icon(Tag):
 138    return (Tag.name == "link") and \
 139       (Tag.get("rel", '').lower() in ('icon', 'shortcut icon'))