tweeper.php

   1 <?php
   2 /*
   3  * tweeper - a Twitter to RSS web scraper
   4  *
   5  * Copyright (C) 2013  Antonio Ospite <ospite@studenti.unina.it>
   6  *
   7  * This program is free software: you can redistribute it and/or modify
   8  * it under the terms of the GNU General Public License as published by
   9  * the Free Software Foundation, either version 3 of the License, or
  10  * (at your option) any later version.
  11  *
  12  * This program is distributed in the hope that it will be useful,
  13  * but WITHOUT ANY WARRANTY; without even the implied warranty of
  14  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  15  * GNU General Public License for more details.
  16  *
  17  * You should have received a copy of the GNU General Public License
  18  * along with this program.  If not, see <http://www.gnu.org/licenses/>.
  19  */
  20
  21 date_default_timezone_set('UTC');
  22
  23 define('USER_AGENT', 'Mozilla/5.0 (Windows NT 6.1; rv:22.0) Gecko/20130405 Firefox/22.0');
  24
  25 function get_url_info($url)
  26 {
  27   $ch = curl_init($url);
  28   curl_setopt_array($ch, array(
  29       CURLOPT_HEADER => TRUE,
  30       CURLOPT_NOBODY => TRUE,
  31       CURLOPT_FOLLOWLOCATION => TRUE,  // follow http redirects to get the real URL
  32       CURLOPT_RETURNTRANSFER => TRUE,
  33       CURLOPT_SSL_VERIFYHOST => FALSE,
  34       CURLOPT_SSL_VERIFYPEER => FALSE,
  35       CURLOPT_USERAGENT => USER_AGENT,
  36   ));
  37   curl_exec($ch);
  38   $url_info = curl_getinfo($ch);;
  39   curl_close($ch);
  40
  41   return $url_info;
  42 }
  43
  44 function generate_enclosure($url)
  45 {
  46   $supported_content_types = array(
  47     "application/ogg",
  48     "audio/aac",
  49     "audio/mp4",
  50     "audio/mpeg",
  51     "audio/vorbis",
  52     "audio/wav",
  53     "audio/webm",
  54     "audio/x-midi",
  55     "image/gif",
  56     "image/jpeg",
  57     "video/avi",
  58     "video/mp4",
  59     "video/mpeg",
  60     "video/ogg",
  61   );
  62
  63   $url_info = get_url_info($url);
  64
  65   $supported = in_array($url_info['content_type'], $supported_content_types);
  66   if (!$supported) {
  67     error_log("Unsupported enclosure content type \"" . $url_info['content_type'] . "\" for URL: " . $url_info['url']);
  68     return '';
  69   }
  70
  71   $dom = new DomDocument();
  72   $enc = $dom->createElement('enclosure');
  73   $enc->setAttribute('url', $url_info['url']);
  74   $enc->setAttribute('length', $url_info['download_content_length']);
  75   $enc->setAttribute('type', $url_info['content_type']);
  76
  77   $dom->appendChild($enc);
  78
  79   return $dom->saveXML($enc);
  80 }
  81
  82
  83 class Tweeper {
  84
  85   public function __construct($stylesheet, $generate_enclosure = FALSE) {
  86     $stylesheet_contents = $this->get_contents($stylesheet);
  87
  88     $xslDoc = new DOMDocument();
  89     $xslDoc->loadXML($stylesheet_contents);
  90
  91     $this->xsltProcessor = new XSLTProcessor();
  92     $this->xsltProcessor->registerPHPFunctions();
  93     $this->xsltProcessor->setParameter('', 'generateEnclosure', $generate_enclosure);
  94     $this->xsltProcessor->importStylesheet($xslDoc);
  95   }
  96
  97   public static function epoch_to_gmdate($timestamp)
  98   {
  99     return gmdate('D, d M Y H:i:s', $timestamp) . ' GMT';
 100   }
 101
 102   public static function str_to_gmdate($date)
 103   {
 104     $timestamp = strtotime($date);
 105     return Tweeper::epoch_to_gmdate($timestamp);
 106   }
 107
 108   private static function get_contents($uri) {
 109     # https://www.wjsams.com/c/docs/Wiki/Php-HowToSetUserAgentOnFileGetContents
 110     $opts = array(
 111       'http' => array(
 112         'method' => "GET",
 113         'header' => join(array(
 114           "Accept-language: en\r\n",
 115           "User-Agent: {" + USER_AGENT + "}\r\n"
 116         ))
 117       )
 118     );
 119
 120     $context = stream_context_create($opts);
 121     $contents = file_get_contents($uri, false, $context);
 122     return $contents;
 123   }
 124
 125   public function tweep($uri) {
 126     $html = Tweeper::get_contents($uri);
 127
 128     $xmlDoc = new DOMDocument();
 129     $xmlDoc->loadHTML($html);
 130
 131     $output = $this->xsltProcessor->transformToXML($xmlDoc);
 132
 133     if (FALSE === $output) {
 134       trigger_error('XSL transformation failed.', E_USER_ERROR);
 135       return NULL;
 136     }
 137     return $output;
 138   }
 139 }
 140
 141 function usage($argv)
 142 {
 143   if (php_sapi_name() != 'cli')
 144     $usage = htmlentities("{$_SERVER['SCRIPT_NAME']}?src_url=<src_url>&generate_enclosure=<0|1>");
 145   else
 146     $usage = "{$argv[0]} [-e|-h|--help] <src_url>\n";
 147
 148   return "usage: $usage";
 149 }
 150
 151 function parse_options_cli($argv, $argc)
 152 {
 153   $options = array(
 154     'generate_enclosure' => FALSE
 155   );
 156
 157   if ($argc < 2)
 158     return $options;
 159
 160   $cli_options = getopt("eh", array("help"));
 161   foreach ($cli_options as $opt => $val) {
 162     switch ($opt) {
 163     case 'e':
 164       $options['generate_enclosure'] = TRUE;
 165       break;
 166     case 'h':
 167     case 'help':
 168       echo usage($argv);
 169       exit(0);
 170     default:
 171       die(usage($argv));
 172     }
 173   }
 174
 175   $options['src_url'] = $argv[count($cli_options) + 1];
 176
 177   return $options;
 178 }
 179
 180 function parse_options_query_string()
 181 {
 182   $options = array(
 183     'generate_enclosure' => FALSE
 184   );
 185
 186   if (isset($_GET['src_url']))
 187     $options['src_url'] = $_GET['src_url'];
 188
 189   if (isset($_GET['generate_enclosure']))
 190     $options['generate_enclosure'] = $_GET['generate_enclosure'] == 1;
 191
 192   return $options;
 193 }
 194
 195
 196 if (php_sapi_name() != 'cli')
 197   $options = parse_options_query_string();
 198 else
 199   $options = parse_options_cli($argv, $argc);
 200
 201 if (!isset($options['src_url']))
 202   die(usage($argv));
 203
 204 $url = parse_url($options['src_url']);
 205 if (FALSE === $url || empty($url["host"]))
 206   die("Invalid url: ${options['src_url']}\n");
 207
 208 $stylesheet = __DIR__ . "/rss_converter_" . $url["host"] . ".xsl";
 209 if (FALSE === file_exists($stylesheet))
 210   die("Conversion to RSS not supported: {$url["host"]}\n");
 211
 212 $tweeper = new Tweeper($stylesheet, $options['generate_enclosure']);
 213 echo $tweeper->tweep($options['src_url']);