parse_html/bkmk_ph_beautifulsoup4.py

   1 """HTML Parser using BeautifulSoup4
   2
   3 This file is a part of Bookmarks database and Internet robot.
   4
   5 """
   6
   7 __author__ = "Oleg Broytman <phd@phdru.name>"
   8 __copyright__ = "Copyright (C) 2017 PhiloSoft Design"
   9 __license__ = "GNU GPL"
  10
  11 __all__ = ['parse_html']
  12
  13
  14 import re
  15 from bs4 import BeautifulSoup
  16 from .bkmk_ph_util import HTMLParser
  17
  18 universal_charset = "utf-8"
  19 DEFAULT_CHARSET = "cp1251" # Stupid default for Russian Cyrillic
  20
  21 def _parse_html(html_text, charset):
  22     try:
  23         return BeautifulSoup(html_text, from_encoding=charset)
  24     except TypeError:
  25         return None
  26
  27 def parse_html(html_text, charset=None, log=None):
  28     root = _parse_html(html_text, charset)
  29     if root is None:
  30         return None
  31
  32     _charset = root.originalEncoding
  33     html = root.html
  34     if html is None:
  35         html = root
  36
  37     head = html.head
  38     if head is None:
  39         head = html # Some sites put TITLE in HTML without HEAD
  40
  41     title = head.title
  42     if (title is None) and (html is not head):
  43         # Some sites put TITLE in HTML outside of HEAD
  44         title = html.title
  45
  46     if title is None:
  47         # Lookup TITLE in the root
  48         title = root.title
  49
  50     if title is not None:
  51         if title.string:
  52             title = title.string
  53         else:
  54             parts = []
  55             for part in title:
  56                 if not isinstance(part, basestring):
  57                     part = unicode(part)
  58                 parts.append(part.strip())
  59             title = ''.join(parts)
  60
  61     meta = head.find(_find_contenttype, recursive=False)
  62     if meta:
  63         try:
  64             meta_content = meta.get("content")
  65             if meta_content:
  66                 __charset = meta_content.lower().split('charset=')[1].split(';')[0]
  67             else:
  68                 __charset = False
  69         except IndexError: # No charset in the META Content-Type
  70             meta_charset = False
  71         else:
  72             meta_charset = _charset = __charset
  73     else:
  74         meta_charset = False
  75
  76     if not meta_charset:
  77         meta = head.find(_find_charset, recursive=False)
  78         if meta:
  79             meta_content = meta.get("charset")
  80             if meta_content:
  81                 meta_charset = _charset = meta_content.lower()
  82
  83     if title and (_charset or meta_charset):
  84         try:
  85             title = title.encode(_charset or meta_charset)
  86         except LookupError:
  87             title = title.encode(universal_charset)
  88             _charset = universal_charset
  89
  90     meta = head.find(_find_refresh, recursive=False)
  91     if meta:
  92         refresh = meta.get("content")
  93     else:
  94         refresh = None
  95
  96     meta = head.find(_find_icon, recursive=False)
  97     if meta:
  98         icon = meta.get("href")
  99     else:
 100         icon = None
 101
 102     if (title is None) and (refresh is None) and (icon is None):
 103         return None
 104     return HTMLParser(_charset, meta_charset, title, refresh, icon)
 105
 106 def _find_contenttype(Tag):
 107     return (Tag.name == "meta") and \
 108        (Tag.get_attribute_list("http-equiv", '')[0].lower() == "content-type")
 109
 110 def _find_charset(Tag):
 111     return (Tag.name == "meta") and Tag.get("charset", '')
 112
 113 def _find_refresh(Tag):
 114     return (Tag.name == "meta") and \
 115        (Tag.get_attribute_list("http-equiv", '')[0].lower() == "refresh")
 116
 117 def _find_icon(Tag):
 118     return (Tag.name == "link") and \
 119        (Tag.get_attribute_list("rel", '')[0].lower() in ('icon', 'shortcut icon'))