parse_html/htmlparser.py

   1 """HTML Parser using Pythons' HTMLParser
   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) 1997-2011 PhiloSoft Design"
  11 __license__ = "GNU GPL"
  12
  13 from HTMLParser import HTMLParseError
  14 from m_lib.net.www.html import HTMLParser as _HTMLParser
  15
  16
  17 class HTMLHeadDone(Exception): pass
  18
  19
  20 class HTMLParser(_HTMLParser):
  21    def __init__(self, charset=None):
  22       _HTMLParser.__init__(self)
  23       self.charset = charset
  24       self.meta_charset = 0
  25       self.title = None
  26       self.refresh = None
  27       self.icon = None
  28
  29    def end_head(self):
  30       raise HTMLHeadDone()
  31
  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
  45       if (not self.charset) and (http_equiv == "content-type"):
  46          try:
  47             # extract charset from "text/html; foo; charset=UTF-8, bar; baz;"
  48             self.charset = content.lower().split('charset=')[1].split(';')[0].split(',')[0]
  49             self.meta_charset = 1 # Remember that the charset was retrieved from
  50                                   # META tag, not from the Content-Type header
  51          except IndexError:
  52             pass
  53
  54       if http_equiv == "refresh":
  55          self.refresh = content
  56
  57
  58    def start_title(self, attrs):
  59       self.accumulator = ''
  60
  61    def end_title(self):
  62       if not self.title: # use only the first title
  63          self.title = self.accumulator
  64
  65
  66    def do_link(self, attrs):
  67       has_icon = False
  68       href = None
  69
  70       for attrname, value in attrs:
  71          if value:
  72             value = value.strip()
  73             if (attrname == 'rel') and (value.lower() in ('icon', 'shortcut icon')):
  74                has_icon = True
  75             elif attrname == 'href':
  76                href = value
  77
  78       if has_icon:
  79          self.icon = href
  80
  81
  82 def parse_html(filename, charset=None, log=None):
  83    infile = open(filename, 'r')
  84    parser = HTMLParser(charset)
  85
  86    for line in infile:
  87       try:
  88          parser.feed(line)
  89       except (HTMLParseError, HTMLHeadDone):
  90          break
  91
  92    infile.close()
  93
  94    try:
  95       parser.close()
  96    except (HTMLParseError, HTMLHeadDone):
  97       pass
  98
  99    if parser.title is None:
 100       return None
 101
 102    return parser