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 __author__ = "Oleg Broytman <phd@phdru.name>"
   7 __copyright__ = "Copyright (C) 2010-2012 PhiloSoft Design"
   8 __license__ = "GNU GPL"
   9
  10 __all__ = ['parse_html']
  11
  12
  13 from elementtidy import TidyHTMLTreeBuilder
  14 from .bkmk_ph_util import HTMLParser
  15
  16
  17 def parse_html(filename, charset=None, log=None):
  18     try:
  19         html_tree = TidyHTMLTreeBuilder.parse(filename)
  20     except:
  21         return None
  22
  23     XHTML = "{http://www.w3.org/1999/xhtml}"
  24
  25     for elem in html_tree.getiterator():
  26         if elem.tag.startswith(XHTML):
  27             elem.tag = elem.tag[len(XHTML):]
  28
  29     title = html_tree.findtext('head/title')
  30     if title is None:
  31         title = html_tree.findtext('title')
  32         if title is None:
  33             return None
  34
  35     meta = html_tree.findall('head/meta')
  36     for m in meta:
  37         if m.get('http-equiv', '').lower() == 'content-type':
  38             meta_content = m.get("content")
  39             if meta_content:
  40                 try:
  41                     meta_charset = \
  42                         meta_content.lower().split('charset=')[1].split(';')[0]
  43                     break
  44                 except IndexError:
  45                     meta_charset = False
  46     else:
  47         meta_charset = False
  48
  49     if charset or meta_charset:
  50         title = title.encode(charset or meta_charset)
  51
  52     for m in meta:
  53         if m.get('http-equiv', '').lower() == 'refresh':
  54             refresh = m.get("content")
  55             break
  56     else:
  57         refresh = None
  58
  59     for link in html_tree.findall('head/link'):
  60         if link.get('rel', '').lower() in ('icon', 'shortcut icon'):
  61             icon = link.get("href")
  62             break
  63     else:
  64         icon = None
  65
  66     return HTMLParser(charset, meta_charset, title, refresh, icon)