]> git.phdru.name Git - bookmarks_db.git/blobdiff - Robots/parse_html.py
ElementTidy often segfaults.
[bookmarks_db.git] / Robots / parse_html.py
index ffacbee521ddecd0553008a158db163d07487503..cbb45d612f9b33699b6f2d0bbe397b11a3562fe1 100755 (executable)
-#! /usr/local/bin/python -O
+#! /usr/bin/env python
 """
-   HTML Parser
+   HTML Parsers wrapper
 
-   Written by BroytMann, Jun 2002 - May 2003. Copyright (C) 1997-2003 PhiloSoft Design
+   Written by Broytman. Copyright (C) 1997-2011 PhiloSoft Design
 """
 
-
-import sys
-current_charset = sys.getdefaultencoding()
-DEFAULT_CHARSET = "windows-1251" # Stupid default for Russian Cyrillic
-
-
-from HTMLParser import HTMLParseError
-from m_lib.net.www.html import HTMLParser as _HTMLParser
-
-
-class HTMLHeadDone(Exception): pass
-
-
-class HTMLParser(_HTMLParser):
-   def __init__(self, charset=None):
-      _HTMLParser.__init__(self)
-      self.charset = charset
-      self.meta_charset = 0
-      self.title = ''
-      self.refresh = ''
-
-   def end_head(self):
-      raise HTMLHeadDone()
-
-
-   def do_meta(self, attrs):
-      http_equiv = ""
-      content = ""
-
-      for attrname, value in attrs:
-         if value:
-            value = value.strip()
-            if attrname == 'http-equiv':
-               http_equiv = value.lower()
-            elif attrname == 'content':
-               content = value
-
-      if (not self.charset) and (http_equiv == "content-type"):
-         try:
-            # extract charset from "text/html; foo; charset=UTF-8; bar;"
-            self.charset = content.lower().split('charset=')[1].split(';')[0]
-            self.meta_charset = 1 # Remember that the charset was retrieved from
-                                  # META tag, not from the Content-Type header
-         except IndexError:
-            pass
-
-      if http_equiv == "refresh":
-         self.refresh = content
-
-
-   def start_title(self, attrs):
-      self.accumulator = ''
-
-   def end_title(self):
-      if not self.title: # use only the first title
-         self.title = self.accumulator
-
+import codecs
+
+universal_charset = "utf-8"
+DEFAULT_CHARSET = "cp1251" # Stupid default for Russian Cyrillic
+
+parsers = []
+
+try:
+   import parse_html_beautifulsoup
+   parse_html_beautifulsoup.DEFAULT_CHARSET = DEFAULT_CHARSET
+except ImportError:
+   pass
+else:
+   parsers.append(parse_html_beautifulsoup.parse_html)
+
+try:
+   from parse_html_lxml import parse_html
+except ImportError:
+   pass
+else:
+    parsers.append(parse_html)
+
+try:
+   from parse_html_htmlparser import parse_html
+except ImportError:
+   pass
+else:
+    parsers.append(parse_html)
+
+try:
+   import parse_html_html5
+except ImportError:
+   pass
+else:
+   parsers.append(parse_html_html5.parse_html)
+
+# ElementTidy often segfaults
+#try:
+#   import parse_html_etreetidy
+#except ImportError:
+#   pass
+#else:
+#   parsers.append(parse_html_etreetidy.parse_html)
 
 import re
-entity_re = re.compile("(&#[0-9]+;)")
+from htmlentitydefs import name2codepoint
+
+entity_re = re.compile("(&\w+;)")
+num_entity_re = re.compile("(&#[0-9]+;)")
 
 def recode_entities(title, charset):
    output = []
    for part in entity_re.split(title):
-      if entity_re.match(part):
-         part = unichr(int(part[2:-1])).encode(charset, "replace")
+      if part not in ("&", "<", ">", """) and \
+            entity_re.match(part):
+         _part = name2codepoint.get(part[1:-1], None)
+         if _part is not None:
+             part = unichr(_part).encode(charset)
+      output.append(part)
+   title = ''.join(output)
+
+   output = []
+   for part in num_entity_re.split(title):
+      if num_entity_re.match(part):
+         try:
+            part = unichr(int(part[2:-1])).encode(charset)
+         except UnicodeEncodeError:
+            pass # Leave the entity as is
       output.append(part)
 
    return ''.join(output)
 
 
 def parse_html(filename, charset=None, log=None):
-   infile = open(filename, 'r')
-   parser = HTMLParser(charset)
+   if not parsers:
+       return None
 
-   for line in infile:
+   if charset:
       try:
-         parser.feed(line)
-      except (HTMLParseError, HTMLHeadDone):
+         codecs.lookup(charset) # In case of unknown charset...
+      except (ValueError, LookupError):
+         charset = None         # ...try charset from HTML
+
+   charsets = [universal_charset, DEFAULT_CHARSET]
+   if charset:
+      charset = charset.lower().replace("windows-", "cp")
+      if charset in charsets:
+         charsets.remove(charset)
+      charsets.insert(0, charset)
+
+   for p in parsers:
+      parser = None
+      for c in charsets:
+         try:
+            parser = p(filename, c, log)
+            break
+         except UnicodeEncodeError:
+            pass
+      if parser:
          break
+      else:
+         if log: log("Parser %s.%s failed, trying next one." % (p.__module__, p.__name__))
 
-   infile.close()
-
-   try:
-      parser.close()
-   except (HTMLParseError, HTMLHeadDone):
-      pass
+   if not parser:
+       return None
 
-   title = parser.title
-
-   if not parser.charset:
-      ascii = 1
-      for c in title:
-         if not (32 <= ord(c) <= 127): # non-ASCII character
-            ascii = 0
-            break
-      if not ascii:
+   converted_title = title = parser.title
+   if title and (not parser.charset):
+      try:
+         unicode(title, "ascii")
+      except UnicodeDecodeError:
          parser.charset = DEFAULT_CHARSET
 
-   if parser.charset and (parser.charset <> current_charset):
+   if parser.charset:
+      parser.charset = parser.charset.lower().replace("windows-", "cp")
+
+   if title and parser.charset and (
+         (parser.charset <> universal_charset) or
+         ((not charset) or (charset <> parser.charset))):
       try:
          if parser.meta_charset:
             if log: log("   META charset   : %s" % parser.charset)
-         else:
-            if log: log("   charset        : %s" % parser.charset)
+         elif (not charset) or (charset <> parser.charset):
+            if log: log("   guessed charset: %s" % parser.charset)
+         if log: log("   current charset: %s" % universal_charset)
          if log: log("   title          : %s" % title)
-         title = unicode(title, parser.charset, "replace").encode(current_charset, "replace")
-         if log: log("   current charset: %s" % current_charset)
-         if log: log("   converted title: %s" % title)
+         if parser.charset <> universal_charset:
+            try:
+               converted_title = unicode(title, parser.charset).encode(universal_charset)
+            except UnicodeError:
+               if log: log("   incorrect conversion from %s, converting from %s" % (parser.charset, DEFAULT_CHARSET))
+               converted_title = unicode(title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
+               parser.charset = DEFAULT_CHARSET
+         if log and (converted_title <> title): log("   converted title: %s" % converted_title)
       except LookupError:
-         if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, current_charset))
-
-   parser.title = recode_entities(title, current_charset)
+         if log: log("   unknown charset: '%s'" % parser.charset)
+   else:
+      if log: log("   title          : %s" % title)
+
+   if title:
+      final_title = recode_entities(converted_title, universal_charset)
+      parts = [s.strip() for s in final_title.replace('\r', '').split('\n')]
+      final_title = ' '.join([s for s in parts if s])
+      if log and (final_title <> converted_title): log("   final title    : %s" % final_title)
+      parser.title = final_title
+
+   icon = parser.icon
+   if isinstance(icon, unicode):
+       try:
+           parser.icon = icon.encode('ascii')
+       except UnicodeEncodeError:
+           if parser.charset:
+               parser.icon = icon.encode(parser.charset)
    return parser
 
 
 if __name__ == '__main__':
    import sys
-   parser = parse_html(sys.argv[1])
-   print parser.charset
-   print parser.title
-   print parser.refresh
+
+   l = len(sys.argv)
+   if l == 3:
+      filename = sys.argv[1]
+      charset = sys.argv[2]
+   elif l == 2:
+      filename = sys.argv[1]
+      charset = universal_charset
+   else:
+      sys.exit("Usage: %s filename [charset]" % sys.argv[0])
+
+   parser = parse_html(filename, charset, log=lambda s: sys.stdout.write(s + '\n'))
+   print "   refresh:", parser.refresh
+   print "   icon   :", parser.icon