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) 2017-2023 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
  22 def _parse_html(html_text, charset):
  23     try:
  24         return BeautifulSoup(html_text, from_encoding=charset)
  25     except TypeError:
  26         return None
  27
  28
  29 def parse_html(html_text, charset=None, log=None):
  30     root = _parse_html(html_text, charset)
  31     if root is None:
  32         return None
  33
  34     _charset = root.originalEncoding
  35     html = root.html
  36     if html is None:
  37         html = root
  38
  39     head = html.head
  40     if head is None:
  41         head = html  # Some sites put TITLE in HTML without HEAD
  42
  43     title = head.title
  44     if (title is None) and (html is not head):
  45         # Some sites put TITLE in HTML outside of HEAD
  46         title = html.title
  47
  48     if title is None:
  49         # Lookup TITLE in the root
  50         title = root.title
  51
  52     if title is not None:
  53         if title.string:
  54             title = title.string
  55         else:
  56             parts = []
  57             for part in title:
  58                 if not isinstance(part, basestring):
  59                     part = unicode(part)
  60                 parts.append(part.strip())
  61             title = ''.join(parts)
  62
  63     meta = head.find(_find_contenttype, recursive=False)
  64     if meta:
  65         try:
  66             meta_content = meta.get("content")
  67             if meta_content:
  68                 __charset = meta_content.lower().split('charset=')[1].\
  69                     split(';')[0]
  70             else:
  71                 __charset = False
  72         except IndexError:  # No charset in the META Content-Type
  73             meta_charset = False
  74         else:
  75             meta_charset = _charset = __charset
  76     else:
  77         meta_charset = False
  78
  79     if not meta_charset:
  80         meta = head.find(_find_charset, recursive=False)
  81         if meta:
  82             meta_content = meta.get("charset")
  83             if meta_content:
  84                 meta_charset = _charset = meta_content.lower()
  85
  86     if title and (_charset or meta_charset):
  87         try:
  88             title = title.encode(_charset or meta_charset)
  89         except LookupError:
  90             title = title.encode(universal_charset)
  91             _charset = universal_charset
  92
  93     meta = head.find(_find_refresh, recursive=False)
  94     if meta:
  95         refresh = meta.get("content")
  96     else:
  97         refresh = None
  98
  99     meta = head.find(_find_icon, recursive=False)
 100     if meta:
 101         icon = meta.get("href")
 102     else:
 103         icon = None
 104
 105     if (title is None) and (refresh is None) and (icon is None):
 106         return None
 107     return HTMLParser(_charset, meta_charset, title, refresh, icon)
 108
 109
 110 def _find_contenttype(Tag):
 111     return (Tag.name == "meta") and \
 112        (Tag.get_attribute_list("http-equiv", '')[0].lower() == "content-type")
 113
 114
 115 def _find_charset(Tag):
 116     return (Tag.name == "meta") and Tag.get("charset", '')
 117
 118
 119 def _find_refresh(Tag):
 120     return (Tag.name == "meta") and \
 121        (Tag.get_attribute_list("http-equiv", '')[0].lower() == "refresh")
 122
 123
 124 def _find_icon(Tag):
 125     return (Tag.name == "link") and \
 126        (Tag.get_attribute_list("rel", '')[0].lower()
 127         in ('icon', 'shortcut icon'))