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