]> git.phdru.name Git - bookmarks_db.git/commitdiff
Reparse the HTML if the charset was changed.
authorOleg Broytman <phd@phdru.name>
Tue, 4 Mar 2008 10:32:18 +0000 (10:32 +0000)
committerOleg Broytman <phd@phdru.name>
Tue, 4 Mar 2008 10:32:18 +0000 (10:32 +0000)
git-svn-id: file:///home/phd/archive/SVN/bookmarks_db/trunk@196 fdd5c36f-1aea-0310-aeeb-c58d7e2b6c23

Robots/parse_html_beautifulsoup.py

index 632ee9f15cfaafec9a9f14ac8135354af655efac..93a4d6fd9a2ba27ba0c1de2fdcdb3fe9971461c0 100644 (file)
@@ -49,15 +49,23 @@ class BadDeclParser(BeautifulSoup):
          return j
 
 
-def parse_html(filename, charset=None, log=None):
+def _parse_html(filename, charset):
    infile = open(filename, 'r')
    try:
-      root = BadDeclParser(infile, fromEncoding=charset)
+      return BadDeclParser(infile, fromEncoding=charset)
    except TypeError:
       return None
    finally:
       infile.close()
 
+def parse_html(filename, charset=None, log=None):
+   root = _parse_html(filename, charset)
+
+   _charset = root.originalEncoding
+   if _charset in ("ISO-8859-2", "windows-1252", "MacCyrillic"): # Replace default
+      _charset = DEFAULT_CHARSET
+      root = _parse_html(filename, _charset)
+
    try:
       html = root.html
    except AttributeError:
@@ -76,10 +84,6 @@ def parse_html(filename, charset=None, log=None):
    if head is None:
       head = html # Some sites put TITLE in HTML without HEAD
 
-   _charset = root.originalEncoding
-   if _charset in ("ISO-8859-2", "windows-1252", "MacCyrillic"): # Replace default
-      _charset = DEFAULT_CHARSET
-
    try:
       title = head.title.string.encode(_charset)
    except AttributeError: