tools/html2text.py

   1 #!/usr/bin/env python
   2 """html2text: Turn HTML into equivalent Markdown-structured text."""
   3 __version__ = "2.35-Wireshark"
   4 __author__ = "Aaron Swartz (me@aaronsw.com)"
   5 __copyright__ = "(C) 2004-2008 Aaron Swartz. GNU GPL 3."
   6 __contributors__ = ["Martin 'Joey' Schulze", "Ricardo Reyes"]
   7
   8 # NOTE:
   9 #   This is a modified version of html2text.py from http://www.aaronsw.com/2002/html2text/
  10 #   Changes:
  11 #     Options can now be configured from the command line.
  12 #     SKIP_LINKS and INPUT_ENCODING options have been added.
  13 #     The script now requires Python 2.3
  14
  15 # TODO:
  16 #   Support decoded entities with unifiable.
  17 #   Relative URL resolution
  18 #   Indent sections and lists similar to elinks/links/lynx
  19
  20 if not hasattr(__builtins__, 'True'): True, False = 1, 0
  21 import re, sys, urllib, htmlentitydefs, codecs, StringIO, types
  22 import sgmllib
  23 sgmllib.charref = re.compile('&#([xX]?[0-9a-fA-F]+)[^0-9a-fA-F]')
  24 from optparse import OptionParser
  25
  26 try: from textwrap import wrap
  27 except: pass
  28
  29 oparser = OptionParser()
  30 options = None
  31 args = None
  32
  33 oparser.add_option(
  34     "--force-unicode",
  35     action="store_true",
  36     dest="UNICODE_SNOB",
  37     default=False,
  38     help="Use Unicode characters instead of their ascii psuedo-replacements. [default: False]",
  39     )
  40
  41 oparser.add_option(
  42     "--links-after-paragraphs",
  43     action="store_true",
  44     dest="LINKS_EACH_PARAGRAPH",
  45     default=False,
  46     help="Put the links after each paragraph instead of at the end. [default: False]",
  47     )
  48
  49 oparser.add_option(
  50     "--width",
  51     type="int",
  52     dest="BODY_WIDTH",
  53     default=78,
  54     help="Wrap long lines at position. 0 for no wrapping. Requires Python 2.3. [default: 78 characters]",
  55     )
  56
  57 oparser.add_option(
  58     "--no-internal-links",
  59     action="store_true",
  60     dest="SKIP_INTERNAL_LINKS",
  61     default=False,
  62     help='''Don't show internal links (href="#local-anchor"). Corresponding link targets won't be visible in the plain text file anyway. [default: False]''',
  63     )
  64
  65 oparser.add_option(
  66     "--no-links",
  67     action="store_true",
  68     dest="SKIP_LINKS",
  69     default=False,
  70     help='''Don't show links. [default: False]''',
  71     )
  72
  73 oparser.add_option(
  74     "--input-encoding",
  75     type="string",
  76     dest="INPUT_ENCODING",
  77     default='utf-8',
  78     help='''Force the encoding of the input file. [default: utf-8]''',
  79     )
  80
  81 ### Entity Nonsense ###
  82
  83 def name2cp(k):
  84     if k == 'apos': return ord("'")
  85     if hasattr(htmlentitydefs, "name2codepoint"): # requires Python 2.3
  86         return htmlentitydefs.name2codepoint[k]
  87     else:
  88         k = htmlentitydefs.entitydefs[k]
  89         if k.startswith("&#") and k.endswith(";"): return int(k[2:-1]) # not in latin-1
  90         return ord(codecs.latin_1_decode(k)[0])
  91
  92 unifiable = {'rsquo':"'", 'lsquo':"'", 'rdquo':'"', 'ldquo':'"',
  93 'copy':'(C)', 'mdash':'--', 'nbsp':' ', 'rarr':'->', 'larr':'<-', 'middot':'*',
  94 'ndash':'-', 'oelig':'oe', 'aelig':'ae',
  95 'agrave':'a', 'aacute':'a', 'acirc':'a', 'atilde':'a', 'auml':'a', 'aring':'a',
  96 'egrave':'e', 'eacute':'e', 'ecirc':'e', 'euml':'e',
  97 'igrave':'i', 'iacute':'i', 'icirc':'i', 'iuml':'i',
  98 'ograve':'o', 'oacute':'o', 'ocirc':'o', 'otilde':'o', 'ouml':'o',
  99 'ugrave':'u', 'uacute':'u', 'ucirc':'u', 'uuml':'u'}
 100
 101 unifiable_n = {}
 102
 103 for k in unifiable.keys():
 104     unifiable_n[name2cp(k)] = unifiable[k]
 105
 106 def charref(name):
 107     global options
 108
 109     if name[0] in ['x','X']:
 110         c = int(name[1:], 16)
 111     else:
 112         c = int(name)
 113
 114     if not options.UNICODE_SNOB and c in unifiable_n.keys():
 115         return unifiable_n[c]
 116     else:
 117         return unichr(c)
 118
 119 def entityref(c):
 120     global options
 121
 122     if not options.UNICODE_SNOB and c in unifiable.keys():
 123         return unifiable[c]
 124     else:
 125         try: name2cp(c)
 126         except KeyError: return "&" + c
 127         else: return unichr(name2cp(c))
 128
 129 def replaceEntities(s):
 130     s = s.group(1)
 131     if s[0] == "#":
 132         return charref(s[1:])
 133     else: return entityref(s)
 134
 135 r_unescape = re.compile(r"&(#?[xX]?(?:[0-9a-fA-F]+|\w{1,8}));")
 136 def unescape(s):
 137     return r_unescape.sub(replaceEntities, s)
 138
 139 def fixattrs(attrs):
 140     # Fix bug in sgmllib.py
 141     if not attrs: return attrs
 142     newattrs = []
 143     for attr in attrs:
 144         newattrs.append((attr[0], unescape(attr[1])))
 145     return newattrs
 146
 147 ### End Entity Nonsense ###
 148
 149 def onlywhite(line):
 150     """Return true if the line does only consist of whitespace characters."""
 151     for c in line:
 152         if c is not ' ' and c is not '  ':
 153             return c is ' '
 154     return line
 155
 156 def optwrap(text):
 157     """Wrap all paragraphs in the provided text."""
 158     global options
 159     if not options.BODY_WIDTH:
 160         return text
 161
 162     assert wrap, "Requires Python 2.3."
 163     result = ''
 164     newlines = 0
 165     for para in text.split("\n"):
 166         if len(para) > 0:
 167             if para[0] is not ' ' and para[0] is not '-' and para[0] is not '*':
 168                 for line in wrap(para, options.BODY_WIDTH):
 169                     result += line + "\n"
 170                 result += "\n"
 171                 newlines = 2
 172             else:
 173                 if not onlywhite(para):
 174                     result += para + "\n"
 175                     newlines = 1
 176         else:
 177             if newlines < 2:
 178                 result += "\n"
 179                 newlines += 1
 180     return result
 181
 182 def hn(tag):
 183     if tag[0] == 'h' and len(tag) == 2:
 184         try:
 185             n = int(tag[1])
 186             if n in range(1, 10): return n
 187         except ValueError: return 0
 188
 189 class _html2text(sgmllib.SGMLParser):
 190     def __init__(self, out=sys.stdout.write):
 191         sgmllib.SGMLParser.__init__(self)
 192
 193         if out is None: self.out = self.outtextf
 194         else: self.out = out
 195         self.outtext = u''
 196         self.quiet = 0
 197         self.p_p = 0
 198         self.outcount = 0
 199         self.start = 1
 200         self.space = 0
 201         self.a = []
 202         self.astack = []
 203         self.acount = 0
 204         self.list = []
 205         self.blockquote = 0
 206         self.pre = 0
 207         self.startpre = 0
 208         self.lastWasNL = 0
 209         self.abbr_title = None # current abbreviation definition
 210         self.abbr_data = None # last inner HTML (for abbr being defined)
 211         self.abbr_list = {} # stack of abbreviations to write later
 212
 213     def outtextf(self, s):
 214         self.outtext += s
 215
 216     def close(self):
 217         sgmllib.SGMLParser.close(self)
 218
 219         self.pbr()
 220         self.o('', 0, 'end')
 221
 222         return self.outtext
 223
 224     def handle_charref(self, c):
 225         self.o(charref(c))
 226
 227     def handle_entityref(self, c):
 228         self.o(entityref(c))
 229
 230     def unknown_starttag(self, tag, attrs):
 231         self.handle_tag(tag, attrs, 1)
 232
 233     def unknown_endtag(self, tag):
 234         self.handle_tag(tag, None, 0)
 235
 236     def previousIndex(self, attrs):
 237         """ returns the index of certain set of attributes (of a link) in the
 238             self.a list
 239
 240             If the set of attributes is not found, returns None
 241         """
 242         if not attrs.has_key('href'): return None
 243
 244         i = -1
 245         for a in self.a:
 246             i += 1
 247             match = 0
 248
 249             if a.has_key('href') and a['href'] == attrs['href']:
 250                 if a.has_key('title') or attrs.has_key('title'):
 251                         if (a.has_key('title') and attrs.has_key('title') and
 252                             a['title'] == attrs['title']):
 253                             match = True
 254                 else:
 255                     match = True
 256
 257             if match: return i
 258
 259     def handle_tag(self, tag, attrs, start):
 260         global options
 261         attrs = fixattrs(attrs)
 262
 263         if hn(tag):
 264             self.p()
 265             if start: self.o(hn(tag)*"#" + ' ')
 266
 267         if tag in ['p', 'div']: self.p()
 268
 269         if tag == "br" and start: self.o("  \n")
 270
 271         if tag == "hr" and start:
 272             self.p()
 273             self.o("* * *")
 274             self.p()
 275
 276         if tag in ["head", "style", 'script']:
 277             if start: self.quiet += 1
 278             else: self.quiet -= 1
 279
 280         if tag in ["body"]:
 281             self.quiet = 0 # sites like 9rules.com never close <head>
 282
 283         if tag == "blockquote":
 284             if start:
 285                 self.p(); self.o('> ', 0, 1); self.start = 1
 286                 self.blockquote += 1
 287             else:
 288                 self.blockquote -= 1
 289                 self.p()
 290
 291         if tag in ['em', 'i', 'u']: self.o("_")
 292         if tag in ['strong', 'b']: self.o("**")
 293         if tag == "code" and not self.pre: self.o('`') #TODO: `` `this` ``
 294         if tag == "abbr":
 295             if start:
 296                 attrsD = {}
 297                 for (x, y) in attrs: attrsD[x] = y
 298                 attrs = attrsD
 299
 300                 self.abbr_title = None
 301                 self.abbr_data = ''
 302                 if attrs.has_key('title'):
 303                     self.abbr_title = attrs['title']
 304             else:
 305                 if self.abbr_title != None:
 306                     self.abbr_list[self.abbr_data] = self.abbr_title
 307                     self.abbr_title = None
 308                 self.abbr_data = ''
 309
 310         if tag == "a":
 311             if start:
 312                 attrsD = {}
 313                 for (x, y) in attrs: attrsD[x] = y
 314                 attrs = attrsD
 315                 if attrs.has_key('href') and not (options.SKIP_LINKS or (options.SKIP_INTERNAL_LINKS and attrs['href'].startswith('#'))):
 316                     self.astack.append(attrs)
 317                     self.o("[")
 318                 else:
 319                     self.astack.append(None)
 320             else:
 321                 if self.astack:
 322                     a = self.astack.pop()
 323                     if a:
 324                         i = self.previousIndex(a)
 325                         if i is not None:
 326                             a = self.a[i]
 327                         else:
 328                             self.acount += 1
 329                             a['count'] = self.acount
 330                             a['outcount'] = self.outcount
 331                             self.a.append(a)
 332                         self.o("][" + `a['count']` + "]")
 333
 334         if tag == "img" and start:
 335             attrsD = {}
 336             for (x, y) in attrs: attrsD[x] = y
 337             attrs = attrsD
 338             if attrs.has_key('src'):
 339                 attrs['href'] = attrs['src']
 340                 alt = attrs.get('alt', '')
 341                 i = self.previousIndex(attrs)
 342                 if i is not None:
 343                     attrs = self.a[i]
 344                 else:
 345                     self.acount += 1
 346                     attrs['count'] = self.acount
 347                     attrs['outcount'] = self.outcount
 348                     self.a.append(attrs)
 349                 self.o("![")
 350                 self.o(alt)
 351                 self.o("]["+`attrs['count']`+"]")
 352
 353         if tag == 'dl' and start: self.p()
 354         if tag == 'dt' and not start: self.pbr()
 355         if tag == 'dd' and start: self.o('    ')
 356         if tag == 'dd' and not start: self.pbr()
 357
 358         if tag in ["ol", "ul"]:
 359             if start:
 360                 self.list.append({'name':tag, 'num':0})
 361             else:
 362                 if self.list: self.list.pop()
 363
 364             self.p()
 365
 366         if tag == 'li':
 367             if start:
 368                 self.pbr()
 369                 if self.list: li = self.list[-1]
 370                 else: li = {'name':'ul', 'num':0}
 371                 self.o("  "*len(self.list)) #TODO: line up <ol><li>s > 9 correctly.
 372                 if li['name'] == "ul": self.o("* ")
 373                 elif li['name'] == "ol":
 374                     li['num'] += 1
 375                     self.o(`li['num']`+". ")
 376                 self.start = 1
 377             else:
 378                 self.pbr()
 379
 380         if tag in ["table", "tr"] and start: self.p()
 381         if tag == 'td': self.pbr()
 382
 383         if tag == "pre":
 384             if start:
 385                 self.startpre = 1
 386                 self.pre = 1
 387             else:
 388                 self.pre = 0
 389             self.p()
 390
 391     def pbr(self):
 392         if self.p_p == 0: self.p_p = 1
 393
 394     def p(self): self.p_p = 2
 395
 396     def o(self, data, puredata=0, force=0):
 397         if self.abbr_data is not None: self.abbr_data += data
 398
 399         if not self.quiet:
 400             if puredata and not self.pre:
 401                 data = re.sub('\s+', ' ', data)
 402                 if data and data[0] == ' ':
 403                     self.space = 1
 404                     data = data[1:]
 405             if not data and not force: return
 406
 407             if self.startpre:
 408                 #self.out(" :") #TODO: not output when already one there
 409                 self.startpre = 0
 410
 411             bq = (">" * self.blockquote)
 412             if not (force and data and data[0] == ">") and self.blockquote: bq += " "
 413
 414             if self.pre:
 415                 bq += "    "
 416                 data = data.replace("\n", "\n"+bq)
 417
 418             if self.start:
 419                 self.space = 0
 420                 self.p_p = 0
 421                 self.start = 0
 422
 423             if force == 'end':
 424                 # It's the end.
 425                 self.p_p = 0
 426                 self.out("\n")
 427                 self.space = 0
 428
 429
 430             if self.p_p:
 431                 self.out(('\n'+bq)*self.p_p)
 432                 self.space = 0
 433
 434             if self.space:
 435                 if not self.lastWasNL: self.out(' ')
 436                 self.space = 0
 437
 438             if self.a and ((self.p_p == 2 and options.LINKS_EACH_PARAGRAPH) or force == "end"):
 439                 if force == "end": self.out("\n")
 440
 441                 newa = []
 442                 for link in self.a:
 443                     if self.outcount > link['outcount']:
 444                         self.out("   ["+`link['count']`+"]: " + link['href']) #TODO: base href
 445                         if link.has_key('title'): self.out(" ("+link['title']+")")
 446                         self.out("\n")
 447                     else:
 448                         newa.append(link)
 449
 450                 if self.a != newa: self.out("\n") # Don't need an extra line when nothing was done.
 451
 452                 self.a = newa
 453
 454             if self.abbr_list and force == "end":
 455                 for abbr, definition in self.abbr_list.items():
 456                     self.out("  *[" + abbr + "]: " + definition + "\n")
 457
 458             self.p_p = 0
 459             self.out(data)
 460             self.lastWasNL = data and data[-1] == '\n'
 461             self.outcount += 1
 462
 463     def handle_data(self, data):
 464         if r'\/script>' in data: self.quiet -= 1
 465         self.o(data, 1)
 466
 467     def unknown_decl(self, data): pass
 468
 469 def wrapwrite(text): sys.stdout.write(text.encode('utf8'))
 470
 471 def html2text_file(html, out=wrapwrite):
 472     global options, args, oparser
 473     if options is None or args is None:
 474         (options, args) = oparser.parse_args(None, None)
 475
 476     h = _html2text(out)
 477     h.feed(html)
 478     h.feed("")
 479     return h.close()
 480
 481 def html2text(html):
 482     return optwrap(html2text_file(html, None))
 483
 484 if __name__ == "__main__":
 485     (options, args) = oparser.parse_args()
 486     if len(args) > 0:
 487         arg = args[0]
 488         if arg.startswith('http://'):
 489             j = urllib.urlopen(arg)
 490             try:
 491                 from feedparser import _getCharacterEncoding as enc
 492             except ImportError:
 493                    enc = lambda x, y: ('utf-8', 1)
 494             text = j.read()
 495             encoding = enc(j.headers, text)[0]
 496             if encoding == 'us-ascii': encoding = 'utf-8'
 497             data = text.decode(encoding)
 498
 499         else:
 500             data = open(arg, 'r').read().decode(options.INPUT_ENCODING)
 501     else:
 502         data = sys.stdin.read().decode(options.INPUT_ENCODING)
 503     wrapwrite(html2text(data))
 504