parse_html/bkmk_ph_htmlparser.py

   1 """HTML Parser using Pythons' HTMLParser
   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) 1997-2017 PhiloSoft Design"
   9 __license__ = "GNU GPL"
  10
  11 __all__ = ['parse_html']
  12
  13
  14 from HTMLParser import HTMLParseError
  15 from m_lib.net.www.html import HTMLParser as _HTMLParser
  16
  17
  18 class HTMLHeadDone(Exception): pass
  19
  20
  21 class HTMLParser(_HTMLParser):
  22     def __init__(self, charset=None):
  23         _HTMLParser.__init__(self)
  24         self.charset = charset
  25         self.meta_charset = 0
  26         self.title = None
  27         self.refresh = None
  28         self.icon = None
  29
  30     def end_head(self):
  31         raise HTMLHeadDone()
  32
  33     def do_meta(self, attrs):
  34         http_equiv = ""
  35         content = ""
  36
  37         for attrname, value in attrs:
  38             if value:
  39                 value = value.strip()
  40                 if attrname == 'http-equiv':
  41                     http_equiv = value.lower()
  42                 elif attrname == 'content':
  43                     content = value
  44                 elif (attrname == 'charset') and (not self.charset):
  45                     self.charset = value.lower()
  46                     self.meta_charset = 1
  47
  48         if (not self.charset) and (http_equiv == "content-type"):
  49             try:
  50                 # extract charset from "text/html; foo; charset=UTF-8, bar; baz;"
  51                 self.charset = content.lower().split('charset=')[1].split(';')[0].split(',')[0]
  52                 self.meta_charset = 1 # Remember that the charset was retrieved from
  53                                       # META tag, not from the Content-Type header
  54             except IndexError:
  55                 pass
  56
  57         if http_equiv == "refresh":
  58             self.refresh = content
  59
  60     def start_title(self, attrs):
  61         self.accumulator = ''
  62
  63     def end_title(self):
  64         if not self.title: # use only the first title
  65             self.title = self.accumulator
  66
  67     def do_link(self, attrs):
  68         has_icon = False
  69         href = None
  70
  71         for attrname, value in attrs:
  72             if value:
  73                 value = value.strip()
  74                 if (attrname == 'rel') and (value.lower() in ('icon', 'shortcut icon')):
  75                     has_icon = True
  76                 elif attrname == 'href':
  77                     href = value
  78
  79         if has_icon:
  80             self.icon = href
  81
  82
  83 def parse_html(html_text, charset=None, log=None):
  84     parser = HTMLParser(charset)
  85
  86     try:
  87         parser.feed(html_text)
  88     except (HTMLParseError, HTMLHeadDone):
  89         pass
  90
  91     try:
  92         parser.close()
  93     except (HTMLParseError, HTMLHeadDone):
  94         pass
  95
  96     if (parser.title is None) and (parser.refresh is None) and (parser.icon is None):
  97         return None
  98     return parser