sys/lib/python/htmllib.py

   1 """HTML 2.0 parser.
   2
   3 See the HTML 2.0 specification:
   4 http://www.w3.org/hypertext/WWW/MarkUp/html-spec/html-spec_toc.html
   5 """
   6
   7 import sgmllib
   8
   9 from formatter import AS_IS
  10
  11 __all__ = ["HTMLParser", "HTMLParseError"]
  12
  13
  14 class HTMLParseError(sgmllib.SGMLParseError):
  15     """Error raised when an HTML document can't be parsed."""
  16
  17
  18 class HTMLParser(sgmllib.SGMLParser):
  19     """This is the basic HTML parser class.
  20
  21     It supports all entity names required by the XHTML 1.0 Recommendation.
  22     It also defines handlers for all HTML 2.0 and many HTML 3.0 and 3.2
  23     elements.
  24
  25     """
  26
  27     from htmlentitydefs import entitydefs
  28
  29     def __init__(self, formatter, verbose=0):
  30         """Creates an instance of the HTMLParser class.
  31
  32         The formatter parameter is the formatter instance associated with
  33         the parser.
  34
  35         """
  36         sgmllib.SGMLParser.__init__(self, verbose)
  37         self.formatter = formatter
  38
  39     def error(self, message):
  40         raise HTMLParseError(message)
  41
  42     def reset(self):
  43         sgmllib.SGMLParser.reset(self)
  44         self.savedata = None
  45         self.isindex = 0
  46         self.title = None
  47         self.base = None
  48         self.anchor = None
  49         self.anchorlist = []
  50         self.nofill = 0
  51         self.list_stack = []
  52
  53     # ------ Methods used internally; some may be overridden
  54
  55     # --- Formatter interface, taking care of 'savedata' mode;
  56     # shouldn't need to be overridden
  57
  58     def handle_data(self, data):
  59         if self.savedata is not None:
  60             self.savedata = self.savedata + data
  61         else:
  62             if self.nofill:
  63                 self.formatter.add_literal_data(data)
  64             else:
  65                 self.formatter.add_flowing_data(data)
  66
  67     # --- Hooks to save data; shouldn't need to be overridden
  68
  69     def save_bgn(self):
  70         """Begins saving character data in a buffer instead of sending it
  71         to the formatter object.
  72
  73         Retrieve the stored data via the save_end() method.  Use of the
  74         save_bgn() / save_end() pair may not be nested.
  75
  76         """
  77         self.savedata = ''
  78
  79     def save_end(self):
  80         """Ends buffering character data and returns all data saved since
  81         the preceding call to the save_bgn() method.
  82
  83         If the nofill flag is false, whitespace is collapsed to single
  84         spaces.  A call to this method without a preceding call to the
  85         save_bgn() method will raise a TypeError exception.
  86
  87         """
  88         data = self.savedata
  89         self.savedata = None
  90         if not self.nofill:
  91             data = ' '.join(data.split())
  92         return data
  93
  94     # --- Hooks for anchors; should probably be overridden
  95
  96     def anchor_bgn(self, href, name, type):
  97         """This method is called at the start of an anchor region.
  98
  99         The arguments correspond to the attributes of the <A> tag with
 100         the same names.  The default implementation maintains a list of
 101         hyperlinks (defined by the HREF attribute for <A> tags) within
 102         the document.  The list of hyperlinks is available as the data
 103         attribute anchorlist.
 104
 105         """
 106         self.anchor = href
 107         if self.anchor:
 108             self.anchorlist.append(href)
 109
 110     def anchor_end(self):
 111         """This method is called at the end of an anchor region.
 112
 113         The default implementation adds a textual footnote marker using an
 114         index into the list of hyperlinks created by the anchor_bgn()method.
 115
 116         """
 117         if self.anchor:
 118             self.handle_data("[%d]" % len(self.anchorlist))
 119             self.anchor = None
 120
 121     # --- Hook for images; should probably be overridden
 122
 123     def handle_image(self, src, alt, *args):
 124         """This method is called to handle images.
 125
 126         The default implementation simply passes the alt value to the
 127         handle_data() method.
 128
 129         """
 130         self.handle_data(alt)
 131
 132     # --------- Top level elememts
 133
 134     def start_html(self, attrs): pass
 135     def end_html(self): pass
 136
 137     def start_head(self, attrs): pass
 138     def end_head(self): pass
 139
 140     def start_body(self, attrs): pass
 141     def end_body(self): pass
 142
 143     # ------ Head elements
 144
 145     def start_title(self, attrs):
 146         self.save_bgn()
 147
 148     def end_title(self):
 149         self.title = self.save_end()
 150
 151     def do_base(self, attrs):
 152         for a, v in attrs:
 153             if a == 'href':
 154                 self.base = v
 155
 156     def do_isindex(self, attrs):
 157         self.isindex = 1
 158
 159     def do_link(self, attrs):
 160         pass
 161
 162     def do_meta(self, attrs):
 163         pass
 164
 165     def do_nextid(self, attrs): # Deprecated
 166         pass
 167
 168     # ------ Body elements
 169
 170     # --- Headings
 171
 172     def start_h1(self, attrs):
 173         self.formatter.end_paragraph(1)
 174         self.formatter.push_font(('h1', 0, 1, 0))
 175
 176     def end_h1(self):
 177         self.formatter.end_paragraph(1)
 178         self.formatter.pop_font()
 179
 180     def start_h2(self, attrs):
 181         self.formatter.end_paragraph(1)
 182         self.formatter.push_font(('h2', 0, 1, 0))
 183
 184     def end_h2(self):
 185         self.formatter.end_paragraph(1)
 186         self.formatter.pop_font()
 187
 188     def start_h3(self, attrs):
 189         self.formatter.end_paragraph(1)
 190         self.formatter.push_font(('h3', 0, 1, 0))
 191
 192     def end_h3(self):
 193         self.formatter.end_paragraph(1)
 194         self.formatter.pop_font()
 195
 196     def start_h4(self, attrs):
 197         self.formatter.end_paragraph(1)
 198         self.formatter.push_font(('h4', 0, 1, 0))
 199
 200     def end_h4(self):
 201         self.formatter.end_paragraph(1)
 202         self.formatter.pop_font()
 203
 204     def start_h5(self, attrs):
 205         self.formatter.end_paragraph(1)
 206         self.formatter.push_font(('h5', 0, 1, 0))
 207
 208     def end_h5(self):
 209         self.formatter.end_paragraph(1)
 210         self.formatter.pop_font()
 211
 212     def start_h6(self, attrs):
 213         self.formatter.end_paragraph(1)
 214         self.formatter.push_font(('h6', 0, 1, 0))
 215
 216     def end_h6(self):
 217         self.formatter.end_paragraph(1)
 218         self.formatter.pop_font()
 219
 220     # --- Block Structuring Elements
 221
 222     def do_p(self, attrs):
 223         self.formatter.end_paragraph(1)
 224
 225     def start_pre(self, attrs):
 226         self.formatter.end_paragraph(1)
 227         self.formatter.push_font((AS_IS, AS_IS, AS_IS, 1))
 228         self.nofill = self.nofill + 1
 229
 230     def end_pre(self):
 231         self.formatter.end_paragraph(1)
 232         self.formatter.pop_font()
 233         self.nofill = max(0, self.nofill - 1)
 234
 235     def start_xmp(self, attrs):
 236         self.start_pre(attrs)
 237         self.setliteral('xmp') # Tell SGML parser
 238
 239     def end_xmp(self):
 240         self.end_pre()
 241
 242     def start_listing(self, attrs):
 243         self.start_pre(attrs)
 244         self.setliteral('listing') # Tell SGML parser
 245
 246     def end_listing(self):
 247         self.end_pre()
 248
 249     def start_address(self, attrs):
 250         self.formatter.end_paragraph(0)
 251         self.formatter.push_font((AS_IS, 1, AS_IS, AS_IS))
 252
 253     def end_address(self):
 254         self.formatter.end_paragraph(0)
 255         self.formatter.pop_font()
 256
 257     def start_blockquote(self, attrs):
 258         self.formatter.end_paragraph(1)
 259         self.formatter.push_margin('blockquote')
 260
 261     def end_blockquote(self):
 262         self.formatter.end_paragraph(1)
 263         self.formatter.pop_margin()
 264
 265     # --- List Elements
 266
 267     def start_ul(self, attrs):
 268         self.formatter.end_paragraph(not self.list_stack)
 269         self.formatter.push_margin('ul')
 270         self.list_stack.append(['ul', '*', 0])
 271
 272     def end_ul(self):
 273         if self.list_stack: del self.list_stack[-1]
 274         self.formatter.end_paragraph(not self.list_stack)
 275         self.formatter.pop_margin()
 276
 277     def do_li(self, attrs):
 278         self.formatter.end_paragraph(0)
 279         if self.list_stack:
 280             [dummy, label, counter] = top = self.list_stack[-1]
 281             top[2] = counter = counter+1
 282         else:
 283             label, counter = '*', 0
 284         self.formatter.add_label_data(label, counter)
 285
 286     def start_ol(self, attrs):
 287         self.formatter.end_paragraph(not self.list_stack)
 288         self.formatter.push_margin('ol')
 289         label = '1.'
 290         for a, v in attrs:
 291             if a == 'type':
 292                 if len(v) == 1: v = v + '.'
 293                 label = v
 294         self.list_stack.append(['ol', label, 0])
 295
 296     def end_ol(self):
 297         if self.list_stack: del self.list_stack[-1]
 298         self.formatter.end_paragraph(not self.list_stack)
 299         self.formatter.pop_margin()
 300
 301     def start_menu(self, attrs):
 302         self.start_ul(attrs)
 303
 304     def end_menu(self):
 305         self.end_ul()
 306
 307     def start_dir(self, attrs):
 308         self.start_ul(attrs)
 309
 310     def end_dir(self):
 311         self.end_ul()
 312
 313     def start_dl(self, attrs):
 314         self.formatter.end_paragraph(1)
 315         self.list_stack.append(['dl', '', 0])
 316
 317     def end_dl(self):
 318         self.ddpop(1)
 319         if self.list_stack: del self.list_stack[-1]
 320
 321     def do_dt(self, attrs):
 322         self.ddpop()
 323
 324     def do_dd(self, attrs):
 325         self.ddpop()
 326         self.formatter.push_margin('dd')
 327         self.list_stack.append(['dd', '', 0])
 328
 329     def ddpop(self, bl=0):
 330         self.formatter.end_paragraph(bl)
 331         if self.list_stack:
 332             if self.list_stack[-1][0] == 'dd':
 333                 del self.list_stack[-1]
 334                 self.formatter.pop_margin()
 335
 336     # --- Phrase Markup
 337
 338     # Idiomatic Elements
 339
 340     def start_cite(self, attrs): self.start_i(attrs)
 341     def end_cite(self): self.end_i()
 342
 343     def start_code(self, attrs): self.start_tt(attrs)
 344     def end_code(self): self.end_tt()
 345
 346     def start_em(self, attrs): self.start_i(attrs)
 347     def end_em(self): self.end_i()
 348
 349     def start_kbd(self, attrs): self.start_tt(attrs)
 350     def end_kbd(self): self.end_tt()
 351
 352     def start_samp(self, attrs): self.start_tt(attrs)
 353     def end_samp(self): self.end_tt()
 354
 355     def start_strong(self, attrs): self.start_b(attrs)
 356     def end_strong(self): self.end_b()
 357
 358     def start_var(self, attrs): self.start_i(attrs)
 359     def end_var(self): self.end_i()
 360
 361     # Typographic Elements
 362
 363     def start_i(self, attrs):
 364         self.formatter.push_font((AS_IS, 1, AS_IS, AS_IS))
 365     def end_i(self):
 366         self.formatter.pop_font()
 367
 368     def start_b(self, attrs):
 369         self.formatter.push_font((AS_IS, AS_IS, 1, AS_IS))
 370     def end_b(self):
 371         self.formatter.pop_font()
 372
 373     def start_tt(self, attrs):
 374         self.formatter.push_font((AS_IS, AS_IS, AS_IS, 1))
 375     def end_tt(self):
 376         self.formatter.pop_font()
 377
 378     def start_a(self, attrs):
 379         href = ''
 380         name = ''
 381         type = ''
 382         for attrname, value in attrs:
 383             value = value.strip()
 384             if attrname == 'href':
 385                 href = value
 386             if attrname == 'name':
 387                 name = value
 388             if attrname == 'type':
 389                 type = value.lower()
 390         self.anchor_bgn(href, name, type)
 391
 392     def end_a(self):
 393         self.anchor_end()
 394
 395     # --- Line Break
 396
 397     def do_br(self, attrs):
 398         self.formatter.add_line_break()
 399
 400     # --- Horizontal Rule
 401
 402     def do_hr(self, attrs):
 403         self.formatter.add_hor_rule()
 404
 405     # --- Image
 406
 407     def do_img(self, attrs):
 408         align = ''
 409         alt = '(image)'
 410         ismap = ''
 411         src = ''
 412         width = 0
 413         height = 0
 414         for attrname, value in attrs:
 415             if attrname == 'align':
 416                 align = value
 417             if attrname == 'alt':
 418                 alt = value
 419             if attrname == 'ismap':
 420                 ismap = value
 421             if attrname == 'src':
 422                 src = value
 423             if attrname == 'width':
 424                 try: width = int(value)
 425                 except ValueError: pass
 426             if attrname == 'height':
 427                 try: height = int(value)
 428                 except ValueError: pass
 429         self.handle_image(src, alt, ismap, align, width, height)
 430
 431     # --- Really Old Unofficial Deprecated Stuff
 432
 433     def do_plaintext(self, attrs):
 434         self.start_pre(attrs)
 435         self.setnomoretags() # Tell SGML parser
 436
 437     # --- Unhandled tags
 438
 439     def unknown_starttag(self, tag, attrs):
 440         pass
 441
 442     def unknown_endtag(self, tag):
 443         pass
 444
 445
 446 def test(args = None):
 447     import sys, formatter
 448
 449     if not args:
 450         args = sys.argv[1:]
 451
 452     silent = args and args[0] == '-s'
 453     if silent:
 454         del args[0]
 455
 456     if args:
 457         file = args[0]
 458     else:
 459         file = 'test.html'
 460
 461     if file == '-':
 462         f = sys.stdin
 463     else:
 464         try:
 465             f = open(file, 'r')
 466         except IOError, msg:
 467             print file, ":", msg
 468             sys.exit(1)
 469
 470     data = f.read()
 471
 472     if f is not sys.stdin:
 473         f.close()
 474
 475     if silent:
 476         f = formatter.NullFormatter()
 477     else:
 478         f = formatter.AbstractFormatter(formatter.DumbWriter())
 479
 480     p = HTMLParser(f)
 481     p.feed(data)
 482     p.close()
 483
 484
 485 if __name__ == '__main__':
 486     test()