parse_html/bkmk_ph_etreetidy.py

   1 """HTML Parser using ElementTree+TidyLib.
   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) 2010-2017 PhiloSoft Design"
   9 __license__ = "GNU GPL"
  10
  11 __all__ = ['parse_html']
  12
  13
  14 from elementtidy import TidyHTMLTreeBuilder
  15 from .bkmk_ph_util import HTMLParser
  16
  17
  18 def parse_html(html_text, charset=None, log=None):
  19     try:
  20         html_tree = TidyHTMLTreeBuilder.parseString(html_text)
  21     except:
  22         return None
  23
  24     XHTML = "{http://www.w3.org/1999/xhtml}"
  25
  26     for elem in html_tree.getiterator():
  27         if elem.tag.startswith(XHTML):
  28             elem.tag = elem.tag[len(XHTML):]
  29
  30     title = html_tree.findtext('head/title')
  31     if title is None:
  32         title = html_tree.findtext('title')
  33
  34     meta = html_tree.findall('head/meta')
  35     for m in meta:
  36         if m.get('http-equiv', '').lower() == 'content-type':
  37             meta_content = m.get("content")
  38             if meta_content:
  39                 try:
  40                     meta_charset = \
  41                         meta_content.lower().split('charset=')[1].split(';')[0]
  42                     break
  43                 except IndexError:
  44                     meta_charset = False
  45         elif m.get('charset', ''):
  46             meta_charset = m.get('charset').lower()
  47             break
  48     else:
  49         meta_charset = False
  50
  51     if title and (charset or meta_charset):
  52         title = title.encode(charset or meta_charset)
  53
  54     for m in meta:
  55         if m.get('http-equiv', '').lower() == 'refresh':
  56             refresh = m.get("content")
  57             break
  58     else:
  59         refresh = None
  60
  61     for link in html_tree.findall('head/link'):
  62         if link.get('rel', '').lower() in ('icon', 'shortcut icon'):
  63             icon = link.get("href")
  64             break
  65     else:
  66         icon = None
  67
  68     if (title is None) and (refresh is None) and (icon is None):
  69         return None
  70     return HTMLParser(charset, meta_charset, title, refresh, icon)