parse_html/bkmk_ph_html5.py

   1 """HTML Parser using html5
   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) 2010-2014 PhiloSoft Design"
   9 __license__ = "GNU GPL"
  10
  11 __all__ = ['parse_html']
  12
  13
  14 from html5lib import HTMLParser as HTML5Parser
  15 from .bkmk_ph_util import HTMLParser
  16
  17
  18 def parse_html(html_text, charset=None, log=None):
  19     parser = HTML5Parser()
  20     html_tree = parser.parse(html_text, encoding=charset, parseMeta=bool(charset))
  21
  22     for node in html_tree.childNodes:
  23         if (node.name == 'html') and (node.type != 3): # Skip DocType element
  24             html = node
  25             break
  26     else:
  27         html = None
  28
  29     if not html:
  30         return None
  31
  32     for node in html.childNodes:
  33         if node.name == 'head':
  34             head = node
  35             break
  36     else:
  37         head = None
  38
  39     meta_charset = False
  40     title = None
  41     refresh = None
  42     icon = None
  43
  44     if head:
  45         for node in head.childNodes:
  46             if node.name == 'title':
  47                 if node.childNodes:
  48                     title = node.childNodes[0].value
  49                     break
  50                 else:
  51                     title = ''
  52
  53         for node in head.childNodes:
  54             if (node.name == 'meta') and \
  55                     ('http-equiv' in node.attributes) and \
  56                     (node.attributes['http-equiv'] == 'content-type'):
  57                 meta_content = node.attributes['content']
  58                 if meta_content:
  59                     try:
  60                         meta_charset = \
  61                             meta_content.lower().split('charset=')[1].split(';')[0]
  62                     except IndexError:
  63                         meta_charset = False
  64                     else:
  65                         break
  66             elif (node.name == 'meta') and ('charset' in node.attributes):
  67                 meta_charset = node.attributes['charset'].lower()
  68                 break
  69
  70         if not charset:
  71             charset = parser.tokenizer.stream.charEncoding[0]
  72
  73         if title and (charset or meta_charset):
  74             title = title.encode(charset or meta_charset)
  75
  76         for node in head.childNodes:
  77             if node.name == 'meta' and \
  78                     ('http-equiv' in node.attributes) and \
  79                     (node.attributes['http-equiv'] == 'refresh'):
  80                 refresh = node.attributes['content']
  81                 break
  82
  83         for node in head.childNodes:
  84             if node.name == 'link' and \
  85                     ('rel' in node.attributes) and \
  86                     (node.attributes['rel'] in ('icon', 'shortcut icon')):
  87                 icon = node.attributes['href']
  88                 break
  89
  90     else:
  91         for node in html.childNodes:
  92             if node.name == 'title':
  93                 if node.childNodes:
  94                     title = node.childNodes[0].value
  95                     break
  96                 else:
  97                     title = ''
  98
  99     if (title is None) and (refresh is None) and (icon is None):
 100         return None
 101     return HTMLParser(charset, meta_charset, title, refresh, icon)