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 from bs4 import BeautifulSoup
  15
  16 from .bkmk_ph_util import HTMLParser
  17 from compat import string_type
  18
  19 universal_charset = "utf-8"
  20 DEFAULT_CHARSET = "cp1251"  # Stupid default for Russian Cyrillic
  21
  22
  23 def _parse_html(html_text, charset):
  24     try:
  25         return BeautifulSoup(html_text, from_encoding=charset)
  26     except TypeError:
  27         return None
  28
  29
  30 def parse_html(html_text, charset=None, log=None):
  31     root = _parse_html(html_text, charset)
  32     if root is None:
  33         return None
  34
  35     _charset = root.originalEncoding
  36     html = root.html
  37     if html is None:
  38         html = root
  39
  40     head = html.head
  41     if head is None:
  42         head = html  # Some sites put TITLE in HTML without HEAD
  43
  44     title = head.title
  45     if (title is None) and (html is not head):
  46         # Some sites put TITLE in HTML outside of HEAD
  47         title = html.title
  48
  49     if title is None:
  50         # Lookup TITLE in the root
  51         title = root.title
  52
  53     if title is not None:
  54         if title.string:
  55             title = title.string
  56         else:
  57             parts = []
  58             for part in title:
  59                 if not isinstance(part, string_type):
  60                     part = part.decode()
  61                 parts.append(part.strip())
  62             title = ''.join(parts)
  63
  64     meta = head.find(_find_contenttype, recursive=False)
  65     if meta:
  66         try:
  67             meta_content = meta.get("content")
  68             if meta_content:
  69                 __charset = meta_content.lower().split('charset=')[1].\
  70                     split(';')[0]
  71             else:
  72                 __charset = False
  73         except IndexError:  # No charset in the META Content-Type
  74             meta_charset = False
  75         else:
  76             meta_charset = _charset = __charset
  77     else:
  78         meta_charset = False
  79
  80     if not meta_charset:
  81         meta = head.find(_find_charset, recursive=False)
  82         if meta:
  83             meta_content = meta.get("charset")
  84             if meta_content:
  85                 meta_charset = _charset = meta_content.lower()
  86
  87     if title and (_charset or meta_charset):
  88         try:
  89             title = title.encode(_charset or meta_charset)
  90         except LookupError:
  91             title = title.encode(universal_charset)
  92             _charset = universal_charset
  93
  94     meta = head.find(_find_refresh, recursive=False)
  95     if meta:
  96         refresh = meta.get("content")
  97     else:
  98         refresh = None
  99
 100     meta = head.find(_find_icon, recursive=False)
 101     if meta:
 102         icon = meta.get("href")
 103     else:
 104         icon = None
 105
 106     if (title is None) and (refresh is None) and (icon is None):
 107         return None
 108     return HTMLParser(_charset, meta_charset, title, refresh, icon)
 109
 110
 111 def _find_contenttype(Tag):
 112     return (Tag.name == "meta") and \
 113        (Tag.get_attribute_list("http-equiv", '')[0].lower() == "content-type")
 114
 115
 116 def _find_charset(Tag):
 117     return (Tag.name == "meta") and Tag.get("charset", '')
 118
 119
 120 def _find_refresh(Tag):
 121     return (Tag.name == "meta") and \
 122        (Tag.get_attribute_list("http-equiv", '')[0].lower() == "refresh")
 123
 124
 125 def _find_icon(Tag):
 126     return (Tag.name == "link") and \
 127        (Tag.get_attribute_list("rel", '')[0].lower()
 128         in ('icon', 'shortcut icon'))