Add feeds.py
This is a huge change. Feed parsing is now done in a separate file, much cleaner. The code of the lib tends to repeat itself a lot though. It should be possible to improve it. Code should be more stable.master
parent
6e891ef6ff
commit
8ac7d8b282
|
@ -0,0 +1,354 @@
|
||||||
|
#!/usr/bin/env python
|
||||||
|
|
||||||
|
from lxml import etree
|
||||||
|
import re
|
||||||
|
|
||||||
|
NSMAP = {'atom': 'http://www.w3.org/2005/Atom',
|
||||||
|
'atom03': 'http://purl.org/atom/ns#',
|
||||||
|
'media': 'http://search.yahoo.com/mrss/',
|
||||||
|
'rdf': 'http://www.w3.org/1999/02/22-rdf-syntax-ns#',
|
||||||
|
'slash': 'http://purl.org/rss/1.0/modules/slash/',
|
||||||
|
'dc': 'http://purl.org/dc/elements/1.1/',
|
||||||
|
'content': 'http://purl.org/rss/1.0/modules/content/',
|
||||||
|
'rssfake': 'http://purl.org/rss/1.0/'}
|
||||||
|
|
||||||
|
def load(url):
|
||||||
|
import urllib2
|
||||||
|
d = urllib2.urlopen(url).read()
|
||||||
|
return parse(d)
|
||||||
|
|
||||||
|
def tagNS(tag, nsmap=NSMAP):
|
||||||
|
match = re.search(r'^\{([^\}]+)\}(.*)$', tag)
|
||||||
|
if match:
|
||||||
|
match = match.groups()
|
||||||
|
for (key, url) in nsmap.iteritems():
|
||||||
|
if url == match[0]:
|
||||||
|
return "%s:%s" % (key, match[1].lower())
|
||||||
|
else:
|
||||||
|
match = re.search(r'^([^:]+):([^:]+)$', tag)
|
||||||
|
if match:
|
||||||
|
match = match.groups()
|
||||||
|
if match[0] in nsmap:
|
||||||
|
return "{%s}%s" % (nsmap[match[0]], match[1].lower())
|
||||||
|
return tag
|
||||||
|
|
||||||
|
def innerHTML(xml):
|
||||||
|
return (xml.text or '') + ''.join([etree.tostring(child) for child in xml.iterchildren()])
|
||||||
|
|
||||||
|
def cleanNode(xml):
|
||||||
|
[xml.remove(child) for child in xml.iterchildren()]
|
||||||
|
|
||||||
|
class FeedException(Exception):
|
||||||
|
pass
|
||||||
|
|
||||||
|
def parse(data):
|
||||||
|
doc = etree.fromstring(data)
|
||||||
|
match = doc.xpath("//atom03:feed|//atom:feed|//channel|//rdf:rdf|//rdf:RDF", namespaces=NSMAP)
|
||||||
|
if len(match):
|
||||||
|
mtable = { 'rdf:rdf': FeedParserRSS, 'channel': FeedParserRSS,
|
||||||
|
'atom03:feed': FeedParserAtom, 'atom:feed': FeedParserAtom }
|
||||||
|
match = match[0]
|
||||||
|
tag = tagNS(match.tag)
|
||||||
|
if tag in mtable:
|
||||||
|
return mtable[tag](doc, tag)
|
||||||
|
|
||||||
|
raise FeedException('unknow feed type')
|
||||||
|
|
||||||
|
class FeedBase(object):
|
||||||
|
def xpath(self, path):
|
||||||
|
""" Test xpath rule on xml tree """
|
||||||
|
return self.root.xpath(path, namespaces=NSMAP)
|
||||||
|
|
||||||
|
def xget(self, path):
|
||||||
|
""" Returns the 1st xpath match """
|
||||||
|
match = self.xpath(path)
|
||||||
|
if len(match):
|
||||||
|
return match[0]
|
||||||
|
else:
|
||||||
|
return None
|
||||||
|
|
||||||
|
def xval(self, path):
|
||||||
|
""" Returns the .text of the 1st match """
|
||||||
|
match = self.xget(path)
|
||||||
|
if match is not None:
|
||||||
|
return match.text
|
||||||
|
else:
|
||||||
|
return ""
|
||||||
|
|
||||||
|
def xgetCreate(self, table):
|
||||||
|
""" Returns an element, and creates it when not present """
|
||||||
|
tag = table[self.tag]
|
||||||
|
match = self.xget(tag)
|
||||||
|
if match is not None:
|
||||||
|
return match
|
||||||
|
else:
|
||||||
|
element = etree.Element(tagNS(tag))
|
||||||
|
self.root.append(element)
|
||||||
|
return element
|
||||||
|
|
||||||
|
def tostring(self, **k):
|
||||||
|
""" Returns string using lxml. Arguments passed to tostring """
|
||||||
|
return etree.tostring(self.xml, pretty_print=True, **k)
|
||||||
|
|
||||||
|
class FeedParser(FeedBase):
|
||||||
|
FeedItem = 'FeedItem'
|
||||||
|
mimetype = 'application/xml'
|
||||||
|
|
||||||
|
def __init__(self, xml, tag):
|
||||||
|
self.xml = xml
|
||||||
|
self.root = self.xml.xpath("//atom03:feed|//atom:feed|//channel|//rssfake:channel", namespaces=NSMAP)[0]
|
||||||
|
self.tag = tag
|
||||||
|
self._items = {} # id(xml) => FeedItem
|
||||||
|
|
||||||
|
def getTitle(self):
|
||||||
|
return ""
|
||||||
|
|
||||||
|
def setTitle(self, value):
|
||||||
|
pass
|
||||||
|
|
||||||
|
|
||||||
|
def getDesc(self):
|
||||||
|
pass
|
||||||
|
|
||||||
|
def setDesc(self, value):
|
||||||
|
pass
|
||||||
|
|
||||||
|
|
||||||
|
def getItems(self):
|
||||||
|
return []
|
||||||
|
|
||||||
|
def setItems(self, value):
|
||||||
|
pass
|
||||||
|
|
||||||
|
title = property(
|
||||||
|
fget=lambda self: self.getTitle(),
|
||||||
|
fset=lambda self,v: self.setTitle(v))
|
||||||
|
description = desc = property(
|
||||||
|
fget=lambda self: self.getDesc(),
|
||||||
|
fset=lambda self,v: self.setDesc(v))
|
||||||
|
items = property(
|
||||||
|
fget=lambda self: self._getItems(),
|
||||||
|
fset=lambda self,v: self.setItems(v))
|
||||||
|
|
||||||
|
def _getItems(self):
|
||||||
|
items = self.getItems()
|
||||||
|
out = []
|
||||||
|
for item in items:
|
||||||
|
if id(item) in self._items:
|
||||||
|
out.append(self._items[id(item)])
|
||||||
|
else:
|
||||||
|
new = eval(self.FeedItem)(item, self.tag)
|
||||||
|
self._items[id(item)] = new
|
||||||
|
out.append(new)
|
||||||
|
return out
|
||||||
|
|
||||||
|
def __getitem__(self, key):
|
||||||
|
return self.items[key]
|
||||||
|
|
||||||
|
def __delitem__(self, key):
|
||||||
|
item = self.getItems()[key]
|
||||||
|
if id(item) in self._items:
|
||||||
|
self._items[id(item)].remove()
|
||||||
|
del self._items[id(item)]
|
||||||
|
else:
|
||||||
|
item.getparent().remove(item)
|
||||||
|
|
||||||
|
def __len__(self):
|
||||||
|
return len(self.getItems())
|
||||||
|
|
||||||
|
class FeedParserRSS(FeedParser):
|
||||||
|
"""
|
||||||
|
RSS Parser
|
||||||
|
"""
|
||||||
|
FeedItem = 'FeedItemRSS'
|
||||||
|
mimetype = 'application/rss+xml'
|
||||||
|
|
||||||
|
def getTitle(self):
|
||||||
|
return self.xval('rssfake:title|title')
|
||||||
|
|
||||||
|
def setTitle(self, value):
|
||||||
|
table = { 'rdf:rdf': 'rssfake:title',
|
||||||
|
'channel': 'title'}
|
||||||
|
element = self.xgetCreate(table)
|
||||||
|
element.text = value
|
||||||
|
|
||||||
|
|
||||||
|
def getDesc(self):
|
||||||
|
return self.xval('rssfake:description|description')
|
||||||
|
|
||||||
|
def setDesc(self, value):
|
||||||
|
table = { 'rdf:rdf': 'rssfake:description',
|
||||||
|
'channel': 'description'}
|
||||||
|
element = self.xgetCreate(table)
|
||||||
|
element.text = value
|
||||||
|
|
||||||
|
|
||||||
|
def getItems(self):
|
||||||
|
return self.xpath('rssfake:item|item')
|
||||||
|
|
||||||
|
class FeedParserAtom(FeedParser):
|
||||||
|
"""
|
||||||
|
Atom Parser
|
||||||
|
"""
|
||||||
|
FeedItem = 'FeedItemAtom'
|
||||||
|
mimetype = 'application/atom+xml'
|
||||||
|
|
||||||
|
def getTitle(self):
|
||||||
|
return self.xval('atom:title|atom03:title')
|
||||||
|
|
||||||
|
def setTitle(self, value):
|
||||||
|
table = { 'atom:feed': 'atom:title',
|
||||||
|
'atom03:feed': 'atom03:title'}
|
||||||
|
element = self.xgetCreate(table)
|
||||||
|
element.text = value
|
||||||
|
|
||||||
|
|
||||||
|
def getDesc(self):
|
||||||
|
return self.xval('atom:subtitle|atom03:subtitle')
|
||||||
|
|
||||||
|
def setDesc(self, value):
|
||||||
|
table = { 'atom:feed': 'atom:subtitle',
|
||||||
|
'atom03:feed': 'atom03:subtitle'}
|
||||||
|
element = self.xgetCreate(table)
|
||||||
|
element.text = value
|
||||||
|
|
||||||
|
|
||||||
|
def getItems(self):
|
||||||
|
return self.xpath('atom:entry|atom03:entry')
|
||||||
|
|
||||||
|
class FeedItem(FeedBase):
|
||||||
|
def __init__(self, xml, tag):
|
||||||
|
self.root = self.xml = xml
|
||||||
|
self.tag = tag
|
||||||
|
|
||||||
|
def getTitle(self):
|
||||||
|
return ""
|
||||||
|
|
||||||
|
def setTitle(self):
|
||||||
|
pass
|
||||||
|
|
||||||
|
|
||||||
|
def getDesc(self):
|
||||||
|
return ""
|
||||||
|
|
||||||
|
def setDesc(self, value):
|
||||||
|
pass
|
||||||
|
|
||||||
|
|
||||||
|
def getContent(self):
|
||||||
|
return ""
|
||||||
|
|
||||||
|
def setContent(self, value):
|
||||||
|
pass
|
||||||
|
|
||||||
|
|
||||||
|
title = property(
|
||||||
|
fget=lambda self: self.getTitle(),
|
||||||
|
fset=lambda self,v: self.setTitle(v))
|
||||||
|
link = property(
|
||||||
|
fget=lambda self: self.getLink(),
|
||||||
|
fset=lambda self,v: self.setLink(v))
|
||||||
|
description = desc = property(
|
||||||
|
fget=lambda self: self.getDesc(),
|
||||||
|
fset=lambda self,v: self.setDesc(v))
|
||||||
|
content = property(
|
||||||
|
fget=lambda self: self.getContent(),
|
||||||
|
fset=lambda self,v: self.setContent(v))
|
||||||
|
|
||||||
|
def remove(self):
|
||||||
|
self.xml.getparent().remove(self.xml)
|
||||||
|
|
||||||
|
class FeedItemRSS(FeedItem):
|
||||||
|
def getTitle(self):
|
||||||
|
return self.xval('rssfake:title|title')
|
||||||
|
|
||||||
|
def setTitle(self, value):
|
||||||
|
table = { 'rdf:rdf': 'rssfake:title',
|
||||||
|
'channel': 'title'}
|
||||||
|
element = self.xgetCreate(table)
|
||||||
|
element.text = value
|
||||||
|
|
||||||
|
|
||||||
|
def getLink(self):
|
||||||
|
return self.xval('rssfake:link|link')
|
||||||
|
|
||||||
|
def setLink(self, value):
|
||||||
|
table = { 'rdf:rdf': 'rssfake:link',
|
||||||
|
'channel': 'link'}
|
||||||
|
element = self.xgetCreate(table)
|
||||||
|
element.text = value
|
||||||
|
|
||||||
|
|
||||||
|
def getDesc(self):
|
||||||
|
return self.xval('rssfake:description|description')
|
||||||
|
|
||||||
|
def setDesc(self, value):
|
||||||
|
table = { 'rdf:rdf': 'rssfake:description',
|
||||||
|
'channel': 'description'}
|
||||||
|
element = self.xgetCreate(table)
|
||||||
|
element.text = value
|
||||||
|
|
||||||
|
|
||||||
|
def getContent(self):
|
||||||
|
return self.xval('content:encoded')
|
||||||
|
|
||||||
|
def setContent(self, value):
|
||||||
|
table = { 'rdf:rdf': 'content:encoded',
|
||||||
|
'channel': 'content:encoded'}
|
||||||
|
element = self.xgetCreate(table)
|
||||||
|
element.text = value
|
||||||
|
|
||||||
|
class FeedItemAtom(FeedItem):
|
||||||
|
def getTitle(self):
|
||||||
|
return self.xval('atom:title|atom03:title')
|
||||||
|
|
||||||
|
def setTitle(self, value):
|
||||||
|
table = { 'atom:feed': 'atom:title',
|
||||||
|
'atom03:feed': 'atom03:title'}
|
||||||
|
element = self.xgetCreate(table)
|
||||||
|
element.text = value
|
||||||
|
|
||||||
|
|
||||||
|
def getLink(self):
|
||||||
|
return self.xget('atom:link|atom03:link').get('href', '')
|
||||||
|
|
||||||
|
def setLink(self, value):
|
||||||
|
table = { 'atom:feed': 'atom:link',
|
||||||
|
'atom03:feed': 'atom03:link'}
|
||||||
|
element = self.xgetCreate(table)
|
||||||
|
element.attrib['href'] = value
|
||||||
|
|
||||||
|
|
||||||
|
def getDesc(self):
|
||||||
|
# default "type" is "text"
|
||||||
|
element = self.xget('atom:summary|atom03:summary')
|
||||||
|
if element is not None:
|
||||||
|
return innerHTML(element)
|
||||||
|
else:
|
||||||
|
return ""
|
||||||
|
|
||||||
|
def setDesc(self, value):
|
||||||
|
table = { 'atom:feed': 'atom:summary',
|
||||||
|
'atom03:feed': 'atom03:summary'}
|
||||||
|
element = self.xgetCreate(table)
|
||||||
|
if element.attrib.get('type', '') == 'xhtml':
|
||||||
|
cleanNode(element)
|
||||||
|
element.attrib['type'] = 'html'
|
||||||
|
element.text = value
|
||||||
|
|
||||||
|
|
||||||
|
def getContent(self):
|
||||||
|
element = self.xget('atom:content|atom03:content')
|
||||||
|
if element is not None:
|
||||||
|
return innerHTML(element)
|
||||||
|
else:
|
||||||
|
return ""
|
||||||
|
|
||||||
|
def setContent(self, value):
|
||||||
|
table = { 'atom:feed': 'atom:content',
|
||||||
|
'atom03:feed': 'atom03:content'}
|
||||||
|
element = self.xgetCreate(table)
|
||||||
|
if element.attrib.get('type', '') == 'xhtml':
|
||||||
|
cleanNode(element)
|
||||||
|
element.attrib['type'] = 'html'
|
||||||
|
element.text = value
|
Loading…
Reference in New Issue