Robots/parse_html_html5.py

   1 """
   2     HTML Parser using html5.
   3
   4     Written by Broytman. Copyright (C) 2010 PhiloSoft Design
   5 """
   6
   7 from html5lib import HTMLParser as HTML5Parser
   8 from parse_html_util import HTMLParser
   9
  10
  11 def parse_html(filename, charset=None, log=None):
  12     parser = HTML5Parser()
  13     fp = open(filename)
  14     parser._parse(fp, encoding=charset, parseMeta=bool(charset))
  15     fp.close()
  16     html_tree = parser.tree.getDocument()
  17
  18     for node in html_tree.childNodes:
  19         if (node.name == 'html') and (node.type != 3): # Skip DocType element
  20             html = node
  21             break
  22     else:
  23         html = None
  24
  25     if not html:
  26         return None
  27
  28     for node in html.childNodes:
  29         if node.name == 'head':
  30             head = node
  31             break
  32     else:
  33         head = None
  34
  35     meta_charset = False
  36     title = None
  37     refresh = None
  38     icon = None
  39
  40     if head:
  41         for node in head.childNodes:
  42             if node.name == 'meta' and \
  43                     ('http-equiv' in node.attributes) and \
  44                     (node.attributes['http-equiv'] == 'content-type'):
  45                 meta_content = node.attributes['content']
  46                 if meta_content:
  47                     try:
  48                         meta_charset = \
  49                             meta_content.lower().split('charset=')[1].split(';')[0]
  50                     except IndexError:
  51                         meta_charset = False
  52                     else:
  53                         break
  54
  55         for node in head.childNodes:
  56             if node.name == 'title':
  57                 if node.childNodes:
  58                     title = node.childNodes[0].value
  59                     break
  60                 else:
  61                     title = ''
  62
  63         if not charset:
  64             charset = parser.tokenizer.stream.charEncoding[0]
  65
  66         if title and (charset or meta_charset):
  67             title = title.encode(charset or meta_charset)
  68
  69         for node in head.childNodes:
  70             if node.name == 'meta' and \
  71                     ('http-equiv' in node.attributes) and \
  72                     (node.attributes['http-equiv'] == 'refresh'):
  73                 refresh = node.attributes['content']
  74                 break
  75
  76         for node in head.childNodes:
  77             if node.name == 'link' and \
  78                     ('rel' in node.attributes) and \
  79                     (node.attributes['rel'] in ('icon', 'shortcut icon')):
  80                 icon = node.attributes['href']
  81                 break
  82
  83     return HTMLParser(charset, meta_charset, title, refresh, icon)