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