home *** CD-ROM | disk | FTP | other *** search
/ PC Extra 07 & 08 / pca1507.iso / Software / psp8 / Data1.cab / urlparse.py < prev    next >
Encoding:
Python Source  |  2003-04-22  |  9.3 KB  |  274 lines
  1. """Parse (absolute and relative) URLs.
  2.  
  3. See RFC 1808: "Relative Uniform Resource Locators", by R. Fielding,
  4. UC Irvine, June 1995.
  5. """
  6.  
  7. __all__ = ["urlparse", "urlunparse", "urljoin"]
  8.  
  9. # A classification of schemes ('' means apply by default)
  10. uses_relative = ['ftp', 'http', 'gopher', 'nntp', 'wais', 'file',
  11.                  'https', 'shttp',
  12.                  'prospero', 'rtsp', 'rtspu', '']
  13. uses_netloc = ['ftp', 'http', 'gopher', 'nntp', 'telnet', 'wais',
  14.                'file',
  15.                'https', 'shttp', 'snews',
  16.                'prospero', 'rtsp', 'rtspu', '']
  17. non_hierarchical = ['gopher', 'hdl', 'mailto', 'news', 'telnet', 'wais',
  18.                     'snews', 'sip',
  19.                     ]
  20. uses_params = ['ftp', 'hdl', 'prospero', 'http',
  21.                'https', 'shttp', 'rtsp', 'rtspu', 'sip',
  22.                '']
  23. uses_query = ['http', 'wais',
  24.               'https', 'shttp',
  25.               'gopher', 'rtsp', 'rtspu', 'sip',
  26.               '']
  27. uses_fragment = ['ftp', 'hdl', 'http', 'gopher', 'news', 'nntp', 'wais',
  28.                  'https', 'shttp', 'snews',
  29.                  'file', 'prospero', '']
  30.  
  31. # Characters valid in scheme names
  32. scheme_chars = ('abcdefghijklmnopqrstuvwxyz'
  33.                 'ABCDEFGHIJKLMNOPQRSTUVWXYZ'
  34.                 '0123456789'
  35.                 '+-.')
  36.  
  37. MAX_CACHE_SIZE = 20
  38. _parse_cache = {}
  39.  
  40. def clear_cache():
  41.     """Clear the parse cache."""
  42.     global _parse_cache
  43.     _parse_cache = {}
  44.  
  45.  
  46. def urlparse(url, scheme='', allow_fragments=1):
  47.     """Parse a URL into 6 components:
  48.     <scheme>://<netloc>/<path>;<params>?<query>#<fragment>
  49.     Return a 6-tuple: (scheme, netloc, path, params, query, fragment).
  50.     Note that we don't break the components up in smaller bits
  51.     (e.g. netloc is a single string) and we don't expand % escapes."""
  52.     tuple = urlsplit(url, scheme, allow_fragments)
  53.     scheme, netloc, url, query, fragment = tuple
  54.     if scheme in uses_params and ';' in url:
  55.         url, params = _splitparams(url)
  56.     else:
  57.         params = ''
  58.     return scheme, netloc, url, params, query, fragment
  59.  
  60. def _splitparams(url):
  61.     if '/'  in url:
  62.         i = url.find(';', url.rfind('/'))
  63.         if i < 0:
  64.             return url, ''
  65.     else:
  66.         i = url.find(';')
  67.     return url[:i], url[i+1:]
  68.  
  69. def urlsplit(url, scheme='', allow_fragments=1):
  70.     """Parse a URL into 5 components:
  71.     <scheme>://<netloc>/<path>?<query>#<fragment>
  72.     Return a 5-tuple: (scheme, netloc, path, query, fragment).
  73.     Note that we don't break the components up in smaller bits
  74.     (e.g. netloc is a single string) and we don't expand % escapes."""
  75.     key = url, scheme, allow_fragments
  76.     cached = _parse_cache.get(key, None)
  77.     if cached:
  78.         return cached
  79.     if len(_parse_cache) >= MAX_CACHE_SIZE: # avoid runaway growth
  80.         clear_cache()
  81.     netloc = query = fragment = ''
  82.     i = url.find(':')
  83.     if i > 0:
  84.         if url[:i] == 'http': # optimize the common case
  85.             scheme = url[:i].lower()
  86.             url = url[i+1:]
  87.             if url[:2] == '//':
  88.                 i = url.find('/', 2)
  89.                 if i < 0:
  90.                     i = len(url)
  91.                 netloc = url[2:i]
  92.                 url = url[i:]
  93.             if allow_fragments and '#' in url:
  94.                 url, fragment = url.split('#', 1)
  95.             if '?' in url:
  96.                 url, query = url.split('?', 1)
  97.             tuple = scheme, netloc, url, query, fragment
  98.             _parse_cache[key] = tuple
  99.             return tuple
  100.         for c in url[:i]:
  101.             if c not in scheme_chars:
  102.                 break
  103.         else:
  104.             scheme, url = url[:i].lower(), url[i+1:]
  105.     if scheme in uses_netloc:
  106.         if url[:2] == '//':
  107.             i = url.find('/', 2)
  108.             if i < 0:
  109.                 i = len(url)
  110.             netloc, url = url[2:i], url[i:]
  111.     if allow_fragments and scheme in uses_fragment and '#' in url:
  112.         url, fragment = url.split('#', 1)
  113.     if scheme in uses_query and '?' in url:
  114.         url, query = url.split('?', 1)
  115.     tuple = scheme, netloc, url, query, fragment
  116.     _parse_cache[key] = tuple
  117.     return tuple
  118.  
  119. def urlunparse((scheme, netloc, url, params, query, fragment)):
  120.     """Put a parsed URL back together again.  This may result in a
  121.     slightly different, but equivalent URL, if the URL that was parsed
  122.     originally had redundant delimiters, e.g. a ? with an empty query
  123.     (the draft states that these are equivalent)."""
  124.     if params:
  125.         url = "%s;%s" % (url, params)
  126.     return urlunsplit((scheme, netloc, url, query, fragment))
  127.  
  128. def urlunsplit((scheme, netloc, url, query, fragment)):
  129.     if netloc or (scheme in uses_netloc and url[:2] == '//'):
  130.         if url and url[:1] != '/': url = '/' + url
  131.         url = '//' + (netloc or '') + url
  132.     if scheme:
  133.         url = scheme + ':' + url
  134.     if query:
  135.         url = url + '?' + query
  136.     if fragment:
  137.         url = url + '#' + fragment
  138.     return url
  139.  
  140. def urljoin(base, url, allow_fragments = 1):
  141.     """Join a base URL and a possibly relative URL to form an absolute
  142.     interpretation of the latter."""
  143.     if not base:
  144.         return url
  145.     if not url:
  146.         return base
  147.     bscheme, bnetloc, bpath, bparams, bquery, bfragment = \
  148.             urlparse(base, '', allow_fragments)
  149.     scheme, netloc, path, params, query, fragment = \
  150.             urlparse(url, bscheme, allow_fragments)
  151.     if scheme != bscheme or scheme not in uses_relative:
  152.         return url
  153.     if scheme in uses_netloc:
  154.         if netloc:
  155.             return urlunparse((scheme, netloc, path,
  156.                                params, query, fragment))
  157.         netloc = bnetloc
  158.     if path[:1] == '/':
  159.         return urlunparse((scheme, netloc, path,
  160.                            params, query, fragment))
  161.     if not path:
  162.         if not params:
  163.             params = bparams
  164.             if not query:
  165.                 query = bquery
  166.         return urlunparse((scheme, netloc, bpath,
  167.                            params, query, fragment))
  168.     segments = bpath.split('/')[:-1] + path.split('/')
  169.     # XXX The stuff below is bogus in various ways...
  170.     if segments[-1] == '.':
  171.         segments[-1] = ''
  172.     while '.' in segments:
  173.         segments.remove('.')
  174.     while 1:
  175.         i = 1
  176.         n = len(segments) - 1
  177.         while i < n:
  178.             if (segments[i] == '..'
  179.                 and segments[i-1] not in ('', '..')):
  180.                 del segments[i-1:i+1]
  181.                 break
  182.             i = i+1
  183.         else:
  184.             break
  185.     if segments == ['', '..']:
  186.         segments[-1] = ''
  187.     elif len(segments) >= 2 and segments[-1] == '..':
  188.         segments[-2:] = ['']
  189.     return urlunparse((scheme, netloc, '/'.join(segments),
  190.                        params, query, fragment))
  191.  
  192. def urldefrag(url):
  193.     """Removes any existing fragment from URL.
  194.  
  195.     Returns a tuple of the defragmented URL and the fragment.  If
  196.     the URL contained no fragments, the second element is the
  197.     empty string.
  198.     """
  199.     if '#' in url:
  200.         s, n, p, a, q, frag = urlparse(url)
  201.         defrag = urlunparse((s, n, p, a, q, ''))
  202.         return defrag, frag
  203.     else:
  204.         return url, ''
  205.  
  206.  
  207. test_input = """
  208.       http://a/b/c/d
  209.  
  210.       g:h        = <URL:g:h>
  211.       http:g     = <URL:http://a/b/c/g>
  212.       http:      = <URL:http://a/b/c/d>
  213.       g          = <URL:http://a/b/c/g>
  214.       ./g        = <URL:http://a/b/c/g>
  215.       g/         = <URL:http://a/b/c/g/>
  216.       /g         = <URL:http://a/g>
  217.       //g        = <URL:http://g>
  218.       ?y         = <URL:http://a/b/c/d?y>
  219.       g?y        = <URL:http://a/b/c/g?y>
  220.       g?y/./x    = <URL:http://a/b/c/g?y/./x>
  221.       .          = <URL:http://a/b/c/>
  222.       ./         = <URL:http://a/b/c/>
  223.       ..         = <URL:http://a/b/>
  224.       ../        = <URL:http://a/b/>
  225.       ../g       = <URL:http://a/b/g>
  226.       ../..      = <URL:http://a/>
  227.       ../../g    = <URL:http://a/g>
  228.       ../../../g = <URL:http://a/../g>
  229.       ./../g     = <URL:http://a/b/g>
  230.       ./g/.      = <URL:http://a/b/c/g/>
  231.       /./g       = <URL:http://a/./g>
  232.       g/./h      = <URL:http://a/b/c/g/h>
  233.       g/../h     = <URL:http://a/b/c/h>
  234.       http:g     = <URL:http://a/b/c/g>
  235.       http:      = <URL:http://a/b/c/d>
  236.       http:?y         = <URL:http://a/b/c/d?y>
  237.       http:g?y        = <URL:http://a/b/c/g?y>
  238.       http:g?y/./x    = <URL:http://a/b/c/g?y/./x>
  239. """
  240. # XXX The result for //g is actually http://g/; is this a problem?
  241.  
  242. def test():
  243.     import sys
  244.     base = ''
  245.     if sys.argv[1:]:
  246.         fn = sys.argv[1]
  247.         if fn == '-':
  248.             fp = sys.stdin
  249.         else:
  250.             fp = open(fn)
  251.     else:
  252.         import StringIO
  253.         fp = StringIO.StringIO(test_input)
  254.     while 1:
  255.         line = fp.readline()
  256.         if not line: break
  257.         words = line.split()
  258.         if not words:
  259.             continue
  260.         url = words[0]
  261.         parts = urlparse(url)
  262.         print '%-10s : %s' % (url, parts)
  263.         abs = urljoin(base, url)
  264.         if not base:
  265.             base = abs
  266.         wrapped = '<URL:%s>' % abs
  267.         print '%-10s = %s' % (url, wrapped)
  268.         if len(words) == 3 and words[1] == '=':
  269.             if wrapped != words[2]:
  270.                 print 'EXPECTED', words[2], '!!!!!!!!!!'
  271.  
  272. if __name__ == '__main__':
  273.     test()
  274.