Robots/parse_html_lxml.py

   1 """
   2     HTML Parser using lxml.html.
   3
   4     Written by Broytman. Copyright (C) 2010 PhiloSoft Design
   5 """
   6
   7 from lxml.html import parse
   8 from parse_html_util import HTMLParser
   9
  10
  11 def parse_html(filename, charset=None, log=None):
  12     html_tree = parse(filename)
  13
  14     title = html_tree.findtext('head/title')
  15     if title is None:
  16         title = html_tree.findtext('title')
  17         if title is None:
  18             return None
  19
  20     meta = html_tree.findall('head/meta')
  21     for m in meta:
  22         if m.get('http-equiv', '').lower() == 'content-type':
  23             meta_content = m.get("content")
  24             if meta_content:
  25                 try:
  26                     meta_charset = \
  27                         meta_content.lower().split('charset=')[1].split(';')[0]
  28                     break
  29                 except IndexError:
  30                     meta_charset = False
  31     else:
  32         meta_charset = False
  33
  34     if charset or meta_charset:
  35         title = title.encode(charset or meta_charset)
  36
  37     for m in meta:
  38         if m.get('http-equiv', '').lower() == 'refresh':
  39             refresh = m.get("content")
  40             break
  41     else:
  42         refresh = None
  43
  44     for link in html_tree.findall('head/link'):
  45         if link.get('rel', '').lower() in ('icon', 'shortcut icon'):
  46             icon = link.get("href")
  47             break
  48     else:
  49         icon = None
  50
  51     return HTMLParser(charset, meta_charset, title, refresh, icon)