src/Tweeper.php

   1 <?php
   2
   3 namespace Tweeper;
   4
   5 /**
   6  * @file
   7  * Tweeper - a Twitter to RSS web scraper.
   8  *
   9  * Copyright (C) 2013-2016  Antonio Ospite <ao2@ao2.it>
  10  *
  11  * This program is free software: you can redistribute it and/or modify
  12  * it under the terms of the GNU General Public License as published by
  13  * the Free Software Foundation, either version 3 of the License, or
  14  * (at your option) any later version.
  15  *
  16  * This program is distributed in the hope that it will be useful,
  17  * but WITHOUT ANY WARRANTY; without even the implied warranty of
  18  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  19  * GNU General Public License for more details.
  20  *
  21  * You should have received a copy of the GNU General Public License
  22  * along with this program.  If not, see <http://www.gnu.org/licenses/>.
  23  */
  24
  25 use DOMDocument;
  26 use XSLTProcessor;
  27
  28 use Symfony\Component\Serializer\Serializer;
  29 use Symfony\Component\Serializer\Encoder\XmlEncoder;
  30 use Symfony\Component\Serializer\Normalizer\ObjectNormalizer;
  31
  32 date_default_timezone_set('UTC');
  33
  34 /**
  35  * Scrape supported websites and perform conversion to RSS.
  36  */
  37 class Tweeper {
  38
  39   private static $userAgent = "Mozilla/5.0 (Windows NT 6.1; rv:22.0) Gecko/20130405 Firefox/22.0";
  40
  41   /**
  42    * Constructor sets up {@link $generate_enclosure}.
  43    */
  44   public function __construct($generate_enclosure = FALSE) {
  45     $this->generate_enclosure = $generate_enclosure;
  46   }
  47
  48   /**
  49    * Convert numeric Epoch to the date format expected in a RSS document.
  50    */
  51   public static function epochToRssDate($timestamp) {
  52     if (!is_numeric($timestamp) || is_nan($timestamp)) {
  53       $timestamp = 0;
  54     }
  55
  56     return gmdate(DATE_RSS, $timestamp);
  57   }
  58
  59   /**
  60    * Convert generic date string to the date format expected in a RSS document.
  61    */
  62   public static function strToRssDate($date) {
  63     $timestamp = strtotime($date);
  64     if (FALSE === $timestamp) {
  65       $timestamp = 0;
  66     }
  67
  68     return Tweeper::epochToRssDate($timestamp);
  69   }
  70
  71   /**
  72    * Convert string to UpperCamelCase.
  73    */
  74   public static function toUpperCamelCase($str, $delim = ' ') {
  75     $str_upper = ucwords($str, $delim);
  76     $str_camel_case = str_replace($delim, '', $str_upper);
  77     return $str_camel_case;
  78   }
  79
  80   /**
  81    * Get the contents from a URL.
  82    */
  83   private static function getUrlContents($url) {
  84     $ch = curl_init($url);
  85     curl_setopt_array($ch, array(
  86       CURLOPT_HEADER => FALSE,
  87       // Follow http redirects to get the real URL.
  88       CURLOPT_FOLLOWLOCATION => TRUE,
  89       CURLOPT_RETURNTRANSFER => TRUE,
  90       CURLOPT_SSL_VERIFYHOST => FALSE,
  91       CURLOPT_SSL_VERIFYPEER => FALSE,
  92       CURLOPT_HTTPHEADER => array('Accept-language: en'),
  93       CURLOPT_USERAGENT => Tweeper::$userAgent,
  94     ));
  95     $contents = curl_exec($ch);
  96     if (FALSE === $contents) {
  97       trigger_error(curl_error($ch));
  98     }
  99     curl_close($ch);
 100
 101     return $contents;
 102   }
 103
 104   /**
 105    * Get the headers from a URL.
 106    */
 107   private static function getUrlInfo($url) {
 108     $ch = curl_init($url);
 109     curl_setopt_array($ch, array(
 110       CURLOPT_HEADER => TRUE,
 111       CURLOPT_NOBODY => TRUE,
 112       // Follow http redirects to get the real URL.
 113       CURLOPT_FOLLOWLOCATION => TRUE,
 114       CURLOPT_RETURNTRANSFER => TRUE,
 115       CURLOPT_SSL_VERIFYHOST => FALSE,
 116       CURLOPT_SSL_VERIFYPEER => FALSE,
 117       CURLOPT_USERAGENT => Tweeper::$userAgent,
 118     ));
 119     curl_exec($ch);
 120     $url_info = curl_getinfo($ch);
 121     if (FALSE === $url_info) {
 122       trigger_error(curl_error($ch));
 123     }
 124     curl_close($ch);
 125
 126     return $url_info;
 127   }
 128
 129   /**
 130    * Generate an RSS <enclosure/> element.
 131    */
 132   public static function generateEnclosure($url) {
 133     $supported_content_types = array(
 134       "application/octet-stream",
 135       "application/ogg",
 136       "application/pdf",
 137       "audio/aac",
 138       "audio/mp4",
 139       "audio/mpeg",
 140       "audio/ogg",
 141       "audio/vorbis",
 142       "audio/wav",
 143       "audio/webm",
 144       "audio/x-midi",
 145       "image/gif",
 146       "image/jpeg",
 147       "image/png",
 148       "video/avi",
 149       "video/mp4",
 150       "video/mpeg",
 151       "video/ogg",
 152     );
 153
 154     $url_info = Tweeper::getUrlInfo($url);
 155
 156     $supported = in_array($url_info['content_type'], $supported_content_types);
 157     if (!$supported) {
 158       error_log("Unsupported enclosure content type \"" . $url_info['content_type'] . "\" for URL: " . $url_info['url']);
 159       return '';
 160     }
 161
 162     // The RSS specification says that the enclosure element URL must be http.
 163     // See http://sourceforge.net/p/feedvalidator/bugs/72/
 164     $http_url = preg_replace("/^https/", "http", $url_info['url']);
 165
 166     $dom = new DOMDocument();
 167     $enc = $dom->createElement('enclosure');
 168     $enc->setAttribute('url', $http_url);
 169     $enc->setAttribute('length', $url_info['download_content_length']);
 170     $enc->setAttribute('type', $url_info['content_type']);
 171
 172     return $enc;
 173   }
 174
 175   /**
 176    * Mimic the message from libxml.c::php_libxml_ctx_error_level()
 177    */
 178   private static function logXmlError($error) {
 179     $output = "";
 180
 181     switch ($error->level) {
 182       case LIBXML_ERR_WARNING:
 183         $output .= "Warning $error->code: ";
 184         break;
 185
 186       case LIBXML_ERR_ERROR:
 187         $output .= "Error $error->code: ";
 188         break;
 189
 190       case LIBXML_ERR_FATAL:
 191         $output .= "Fatal Error $error->code: ";
 192         break;
 193     }
 194
 195     $output .= trim($error->message);
 196
 197     if ($error->file) {
 198       $output .= " in $error->file";
 199     }
 200     else {
 201       $output .= " in Entity,";
 202     }
 203
 204     $output .= " line $error->line";
 205
 206     error_log($output);
 207   }
 208
 209   /**
 210    * Convert json to XML.
 211    */
 212   private static function jsonToXml($json, $root_node_name) {
 213     // Apparently the ObjectNormalizer used afterwards is not able to handle
 214     // the stdClass object created by json_decode() with the default setting
 215     // $assoc = false; so use $assoc = true.
 216     $data = json_decode($json, $assoc = TRUE);
 217     if (!$data) {
 218       return NULL;
 219     }
 220
 221     $encoder = new XmlEncoder();
 222     $normalizer = new ObjectNormalizer();
 223     $serializer = new Serializer(array($normalizer), array($encoder));
 224
 225     $serializer_options = array(
 226       'xml_encoding' => "UTF-8",
 227       'xml_format_output' => TRUE,
 228       'xml_root_node_name' => $root_node_name,
 229     );
 230
 231     $xml_data = $serializer->serialize($data, 'xml', $serializer_options);
 232     if (!$xml_data) {
 233       trigger_error("Cannot serialize data", E_USER_ERROR);
 234       return NULL;
 235     }
 236
 237     return $xml_data;
 238   }
 239
 240   /**
 241    * Convert the Instagram content to XML.
 242    */
 243   private function getXmlInstagramCom($html) {
 244     // Extract the json data from the html code.
 245     $json_match_expr = '/window._sharedData = (.*);/';
 246     $ret = preg_match($json_match_expr, $html, $matches);
 247     if ($ret !== 1) {
 248       trigger_error("Cannot match expression: $json_match_expr\n", E_USER_ERROR);
 249       return NULL;
 250     }
 251
 252     // Filter elements which will result in invalid XML element names.
 253     $json = str_replace('404_as_react', '_404_as_react', $matches[1]);
 254
 255     return Tweeper::jsonToXml($json, 'instagram');
 256   }
 257
 258   /**
 259    * Make the Facebook HTML processable.
 260    */
 261   private function preprocessHtmlFacebookCom($html) {
 262     $html = str_replace('<!--', '', $html);
 263     $html = str_replace('-->', '', $html);
 264     return $html;
 265   }
 266
 267   /**
 268    * Convert the HTML retrieved from the site to XML.
 269    */
 270   private function htmlToXml($html, $host) {
 271     $xmlDoc = new DOMDocument();
 272
 273     // Handle warnings and errors when loading invalid HTML.
 274     $xml_errors_value = libxml_use_internal_errors(TRUE);
 275
 276     // If there is a host-specific method to get the XML data, use it!
 277     $get_xml_host_method = 'getXml' . Tweeper::toUpperCamelCase($host, '.');
 278     if (method_exists($this, $get_xml_host_method)) {
 279       $xml_data = call_user_func_array(array($this, $get_xml_host_method), array($html));
 280       $xmlDoc->loadXML($xml_data);
 281     }
 282     else {
 283       $xmlDoc->loadHTML($html);
 284     }
 285
 286     foreach (libxml_get_errors() as $xml_error) {
 287       Tweeper::logXmlError($xml_error);
 288     }
 289     libxml_clear_errors();
 290     libxml_use_internal_errors($xml_errors_value);
 291
 292     return $xmlDoc;
 293   }
 294
 295   /**
 296    * Load a stylesheet if the web site is supported.
 297    */
 298   private function loadStylesheet($host) {
 299     $stylesheet = "file://" . __DIR__ . "/rss_converter_" . $host . ".xsl";
 300     if (FALSE === file_exists($stylesheet)) {
 301       trigger_error("Conversion to RSS not supported for $host ($stylesheet not found)", E_USER_ERROR);
 302       return NULL;
 303     }
 304
 305     $stylesheet_contents = Tweeper::getUrlContents($stylesheet);
 306
 307     $xslDoc = new DOMDocument();
 308     $xslDoc->loadXML($stylesheet_contents);
 309
 310     $xsltProcessor = new XSLTProcessor();
 311     $xsltProcessor->registerPHPFunctions();
 312     $xsltProcessor->setParameter('', 'generate-enclosure', $this->generate_enclosure);
 313     $xsltProcessor->importStylesheet($xslDoc);
 314
 315     return $xsltProcessor;
 316   }
 317
 318   /**
 319    * Convert the site content to RSS.
 320    */
 321   public function tweep($src_url, $host=NULL, $validate_scheme=TRUE) {
 322     $url = parse_url($src_url);
 323     if (FALSE === $url) {
 324       trigger_error("Invalid URL: $src_url", E_USER_ERROR);
 325       return NULL;
 326     }
 327
 328     if (TRUE === $validate_scheme) {
 329       $scheme = $url["scheme"];
 330       if (!in_array($scheme, array("http", "https"))) {
 331         trigger_error("unsupported scheme: $scheme", E_USER_ERROR);
 332         return NULL;
 333       }
 334     }
 335
 336     // if the host is not given derive it from the URL
 337     if (NULL === $host) {
 338       if (empty($url["host"])) {
 339         trigger_error("Invalid host in URL: $src_url", E_USER_ERROR);
 340         return NULL;
 341       }
 342       // Strip the leading www. to be more forgiving on input URLs.
 343       $host = preg_replace('/^www\./', '', $url["host"]);
 344     }
 345
 346     $xsltProcessor = $this->loadStylesheet($host);
 347     if (NULL === $xsltProcessor) {
 348       return NULL;
 349     }
 350
 351     $html = Tweeper::getUrlContents($src_url);
 352     if (FALSE === $html) {
 353       return NULL;
 354     }
 355
 356     $preprocess_html_host_method = 'preprocessHtml' . Tweeper::toUpperCamelCase($host, '.');
 357     if (method_exists($this, $preprocess_html_host_method)) {
 358       $html = call_user_func_array(array($this, $preprocess_html_host_method), array($html));
 359     }
 360
 361     $xmlDoc = $this->htmlToXml($html, $host);
 362     if (NULL === $xmlDoc) {
 363       return NULL;
 364     }
 365
 366     $output = $xsltProcessor->transformToXML($xmlDoc);
 367
 368     if (FALSE === $output) {
 369       trigger_error('XSL transformation failed.', E_USER_ERROR);
 370       return NULL;
 371     }
 372     return $output;
 373   }
 374
 375 }