]> git.phdru.name Git - bookmarks_db.git/commitdiff
Switched to utf-8.
authorOleg Broytman <phd@phdru.name>
Mon, 11 Feb 2008 19:37:12 +0000 (19:37 +0000)
committerOleg Broytman <phd@phdru.name>
Mon, 11 Feb 2008 19:37:12 +0000 (19:37 +0000)
git-svn-id: file:///home/phd/archive/SVN/bookmarks_db/trunk@170 fdd5c36f-1aea-0310-aeeb-c58d7e2b6c23

Robots/parse_html.py
doc/ANNOUNCE

index 1125dcc7170378d4b83f316e14a29465bb6451ed..dbca770543d7b6cc7b4e4c367413e53d505b1b5d 100755 (executable)
@@ -2,13 +2,15 @@
 """
    HTML Parsers wrapper
 
-   Written by BroytMann. Copyright (C) 1997-2007 PhiloSoft Design
+   Written by BroytMann. Copyright (C) 1997-2008 PhiloSoft Design
 """
 
 import codecs
 
 from m_lib.defenc import default_encoding
 current_charset = default_encoding.replace("windows-", "cp")
+
+universal_charset = "utf-8"
 DEFAULT_CHARSET = "cp1251" # Stupid default for Russian Cyrillic
 
 parsers = []
@@ -31,7 +33,6 @@ num_entity_re = re.compile("(&#[0-9]+;)")
 
 def recode_entities(title, charset):
    output = []
-
    for part in num_entity_re.split(title):
       if num_entity_re.match(part):
          try:
@@ -44,6 +45,11 @@ def recode_entities(title, charset):
    for part in entity_re.split(''.join(output)):
       if entity_re.match(part):
          part = entitydefs.get(part[1:-1], part)
+         if num_entity_re.match(part):
+            try:
+               part = unichr(int(part[2:-1])).encode(charset)
+            except UnicodeEncodeError:
+               pass # Leave the entity as is
       output2.append(part)
 
    return ''.join(output2)
@@ -73,32 +79,32 @@ def parse_html(filename, charset=None, log=None):
    if parser.charset:
       parser.charset = parser.charset.replace("windows-", "cp").lower()
 
-   if parser.charset and (parser.charset <> current_charset):
+   if parser.charset and (parser.charset <> universal_charset):
       try:
          if parser.meta_charset:
             if log: log("   META charset   : %s" % parser.charset)
          else:
             if log: log("   HTTP charset   : %s" % parser.charset)
-         if log: log("   current charset: %s" % current_charset)
+         if log: log("   current charset: %s" % universal_charset)
          if log: log("   title          : %s" % title)
          save_title = title
          try:
-            converted_title = unicode(title, parser.charset).encode(current_charset)
+            converted_title = unicode(title, parser.charset).encode(universal_charset)
          except UnicodeError:
             if parser.meta_charset and parser.charset.endswith("1252") and \
-                  not DEFAULT_CHARSET.endswith("1252") and (DEFAULT_CHARSET <> current_charset):
+                  not DEFAULT_CHARSET.endswith("1252") and (DEFAULT_CHARSET <> universal_charset):
                parser.charset = DEFAULT_CHARSET
                if log: log("   incorrect conversion from cp1252, converting from %s" % DEFAULT_CHARSET)
-               converted_title = unicode(save_title, DEFAULT_CHARSET, "replace").encode(current_charset, "replace")
+               converted_title = unicode(save_title, DEFAULT_CHARSET, "replace").encode(universal_charset, "replace")
             else:
-               converted_title = unicode(title, parser.charset, "replace").encode(current_charset, "replace")
+               converted_title = unicode(title, parser.charset, "replace").encode(universal_charset, "replace")
          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))
+         if log: log("   unknown charset: `%s' or `%s'" % (parser.charset, universal_charset))
    else:
       if log: log("   title          : %s" % title)
 
-   final_title = recode_entities(converted_title, current_charset)
+   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)
@@ -108,8 +114,9 @@ def parse_html(filename, charset=None, log=None):
 
 if __name__ == '__main__':
    import sys
-   parser = parse_html(sys.argv[1], current_charset)
+   parser = parse_html(sys.argv[1], universal_charset)
    print parser.charset
    print parser.title
+   print parser.title.decode(universal_charset).encode(current_charset, "replace")
    print parser.refresh
    print parser.icon
index 4cf0cb29d4de0f0441453607c7d7bc7619c10e41..d1436681ef2b48745bc0adbd558b6fb37c318625 100644 (file)
@@ -15,6 +15,8 @@ WHAT'S NEW in version 4.1.1 (2008-??-??)
 
    Recode HTML entities.
 
+   Switched to utf-8.
+
 
 WHAT'S NEW in version 4.1.0 (2008-01-14)
    Parser for HTML based on BeautifulSoup.