parse_html/bkmk_ph_lxml.py

   1 """HTML Parser using lxml.html
   2
   3 This file is a part of Bookmarks database and Internet robot.
   4 """
   5
   6 __version__ = "$Revision$"[11:-2]
   7 __revision__ = "$Id$"[5:-2]
   8 __date__ = "$Date$"[7:-2]
   9 __author__ = "Oleg Broytman <phd@phdru.name>"
  10 __copyright__ = "Copyright (C) 2010, 2011 PhiloSoft Design"
  11 __license__ = "GNU GPL"
  12
  13 __all__ = ['parse_html']
  14
  15
  16 from lxml.html import parse
  17 from .bkmk_ph_util import HTMLParser
  18
  19
  20 def parse_html(filename, charset=None, log=None):
  21     html_tree = parse(filename)
  22
  23     if html_tree.getroot() is None:
  24         return None
  25
  26     title = html_tree.findtext('head/title')
  27     if title is None:
  28         title = html_tree.findtext('title')
  29         if title is None:
  30             return None
  31
  32     meta = html_tree.findall('head/meta')
  33     for m in meta:
  34         if m.get('http-equiv', '').lower() == 'content-type':
  35             meta_content = m.get("content")
  36             if meta_content:
  37                 try:
  38                     meta_charset = \
  39                         meta_content.lower().split('charset=')[1].split(';')[0]
  40                     break
  41                 except IndexError:
  42                     meta_charset = False
  43     else:
  44         meta_charset = False
  45
  46     if charset or meta_charset:
  47         title = title.encode(charset or meta_charset)
  48
  49     for m in meta:
  50         if m.get('http-equiv', '').lower() == 'refresh':
  51             refresh = m.get("content")
  52             break
  53     else:
  54         refresh = None
  55
  56     for link in html_tree.findall('head/link'):
  57         if link.get('rel', '').lower() in ('icon', 'shortcut icon'):
  58             icon = link.get("href")
  59             break
  60     else:
  61         icon = None
  62
  63     return HTMLParser(charset, meta_charset, title, refresh, icon)