tweeper.php

   1 <?php
   2 /**
   3  * @file
   4  * Tweeper - a Twitter to RSS web scraper.
   5  *
   6  * Copyright (C) 2013-2015  Antonio Ospite <ao2@ao2.it>
   7  *
   8  * This program is free software: you can redistribute it and/or modify
   9  * it under the terms of the GNU General Public License as published by
  10  * the Free Software Foundation, either version 3 of the License, or
  11  * (at your option) any later version.
  12  *
  13  * This program is distributed in the hope that it will be useful,
  14  * but WITHOUT ANY WARRANTY; without even the implied warranty of
  15  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  16  * GNU General Public License for more details.
  17  *
  18  * You should have received a copy of the GNU General Public License
  19  * along with this program.  If not, see <http://www.gnu.org/licenses/>.
  20  */
  21
  22 require_once 'Symfony/Component/Serializer/autoload.php';
  23
  24 use Symfony\Component\Serializer\Serializer;
  25 use Symfony\Component\Serializer\Encoder\XmlEncoder;
  26 use Symfony\Component\Serializer\Normalizer\ObjectNormalizer;
  27
  28 date_default_timezone_set('UTC');
  29
  30 /**
  31  * Scrape supported websites and perform conversion to RSS.
  32  */
  33 class Tweeper {
  34
  35   private static $userAgent = "Mozilla/5.0 (Windows NT 6.1; rv:22.0) Gecko/20130405 Firefox/22.0";
  36
  37   /**
  38    * Constructor sets up {@link $generate_enclosure}.
  39    */
  40   public function __construct($generate_enclosure = FALSE) {
  41     $this->generate_enclosure = $generate_enclosure;
  42   }
  43
  44   /**
  45    * Convert numeric Epoch to the date format expected in a RSS document.
  46    */
  47   public static function epochToRssDate($timestamp) {
  48     if (!is_numeric($timestamp) || is_nan($timestamp)) {
  49       $timestamp = 0;
  50     }
  51
  52     return gmdate(DATE_RSS, $timestamp);
  53   }
  54
  55   /**
  56    * Convert generic date string to the date format expected in a RSS document.
  57    */
  58   public static function strToRssDate($date) {
  59     $timestamp = strtotime($date);
  60     if (FALSE === $timestamp) {
  61       $timestamp = 0;
  62     }
  63
  64     return Tweeper::epochToRssDate($timestamp);
  65   }
  66
  67   /**
  68    * Convert string to UpperCamelCase.
  69    */
  70   public static function toUpperCamelCase($str, $delim = ' ') {
  71     $str_upper = ucwords($str, $delim);
  72     $str_camel_case = str_replace($delim, '', $str_upper);
  73     return $str_camel_case;
  74   }
  75
  76   /**
  77    * Get the contents from a URL.
  78    */
  79   private static function getUrlContents($url) {
  80     $ch = curl_init($url);
  81     curl_setopt_array($ch, array(
  82       CURLOPT_HEADER => FALSE,
  83       // Follow http redirects to get the real URL.
  84       CURLOPT_FOLLOWLOCATION => TRUE,
  85       CURLOPT_RETURNTRANSFER => TRUE,
  86       CURLOPT_SSL_VERIFYHOST => FALSE,
  87       CURLOPT_SSL_VERIFYPEER => FALSE,
  88       CURLOPT_HTTPHEADER => array('Accept-language: en'),
  89       CURLOPT_USERAGENT => Tweeper::$userAgent,
  90     ));
  91     $contents = curl_exec($ch);
  92     curl_close($ch);
  93
  94     return $contents;
  95   }
  96
  97   /**
  98    * Get the headers from a URL.
  99    */
 100   private static function getUrlInfo($url) {
 101     $ch = curl_init($url);
 102     curl_setopt_array($ch, array(
 103       CURLOPT_HEADER => TRUE,
 104       CURLOPT_NOBODY => TRUE,
 105       // Follow http redirects to get the real URL.
 106       CURLOPT_FOLLOWLOCATION => TRUE,
 107       CURLOPT_RETURNTRANSFER => TRUE,
 108       CURLOPT_SSL_VERIFYHOST => FALSE,
 109       CURLOPT_SSL_VERIFYPEER => FALSE,
 110       CURLOPT_USERAGENT => Tweeper::$userAgent,
 111     ));
 112     curl_exec($ch);
 113     $url_info = curl_getinfo($ch);
 114     curl_close($ch);
 115
 116     return $url_info;
 117   }
 118
 119   /**
 120    * Generate an RSS <enclosure/> element.
 121    */
 122   public static function generateEnclosure($url) {
 123     $supported_content_types = array(
 124       "application/ogg",
 125       "audio/aac",
 126       "audio/mp4",
 127       "audio/mpeg",
 128       "audio/ogg",
 129       "audio/vorbis",
 130       "audio/wav",
 131       "audio/webm",
 132       "audio/x-midi",
 133       "image/gif",
 134       "image/jpeg",
 135       "video/avi",
 136       "video/mp4",
 137       "video/mpeg",
 138       "video/ogg",
 139     );
 140
 141     // The RSS specification says that the enclosure element URL must be http.
 142     // See http://sourceforge.net/p/feedvalidator/bugs/72/
 143     $http_url = preg_replace("/^https/", "http", $url);
 144
 145     $url_info = Tweeper::getUrlInfo($http_url);
 146
 147     $supported = in_array($url_info['content_type'], $supported_content_types);
 148     if (!$supported) {
 149       error_log("Unsupported enclosure content type \"" . $url_info['content_type'] . "\" for URL: " . $url_info['url']);
 150       return '';
 151     }
 152
 153     $dom = new DomDocument();
 154     $enc = $dom->createElement('enclosure');
 155     $enc->setAttribute('url', $url_info['url']);
 156     $enc->setAttribute('length', $url_info['download_content_length']);
 157     $enc->setAttribute('type', $url_info['content_type']);
 158
 159     return $enc;
 160   }
 161
 162   /**
 163    * Mimic the message from libxml.c::php_libxml_ctx_error_level()
 164    */
 165   private static function logXmlError($error) {
 166     $output = "";
 167
 168     switch ($error->level) {
 169       case LIBXML_ERR_WARNING:
 170         $output .= "Warning $error->code: ";
 171         break;
 172
 173       case LIBXML_ERR_ERROR:
 174         $output .= "Error $error->code: ";
 175         break;
 176
 177       case LIBXML_ERR_FATAL:
 178         $output .= "Fatal Error $error->code: ";
 179         break;
 180     }
 181
 182     $output .= trim($error->message);
 183
 184     if ($error->file) {
 185       $output .= " in $error->file";
 186     }
 187     else {
 188       $output .= " in Entity,";
 189     }
 190
 191     $output .= " line $error->line";
 192
 193     error_log($output);
 194   }
 195
 196   /**
 197    * Convert json to XML.
 198    */
 199   private static function jsonToXml($json, $root_node_name) {
 200     // Apparently the ObjectNormalizer used afterwards is not able to handle
 201     // the stdClass object created by json_decode() with the default setting
 202     // $assoc = false; so use $assoc = true.
 203     $data = json_decode($json, $assoc = TRUE);
 204     if (!$data) {
 205       return NULL;
 206     }
 207
 208     $encoder = new XmlEncoder();
 209     $normalizer = new ObjectNormalizer();
 210     $serializer = new Serializer(array($normalizer), array($encoder));
 211
 212     $serializer_options = array(
 213       'xml_encoding' => "UTF-8",
 214       'xml_format_output' => TRUE,
 215       'xml_root_node_name' => $root_node_name,
 216     );
 217
 218     $xml_data = $serializer->serialize($data, 'xml', $serializer_options);
 219     if (!$xml_data) {
 220       trigger_error("Cannot serialize data", E_USER_ERROR);
 221       return NULL;
 222     }
 223
 224     return $xml_data;
 225   }
 226
 227   /**
 228    * Convert the Instagram content to XML.
 229    */
 230   private function getXmlInstagramCom($html) {
 231     // Extract the json data from the html code.
 232     $json_match_expr = '/window._sharedData = (.*);/';
 233     $ret = preg_match($json_match_expr, $html, $matches);
 234     if ($ret !== 1) {
 235       trigger_error("Cannot match expression: $json_match_expr\n", E_USER_ERROR);
 236       return NULL;
 237     }
 238
 239     return Tweeper::jsonToXml($matches[1], 'instagram');
 240   }
 241
 242   /**
 243    * Make the Facebook HTML processable.
 244    */
 245   private function preprocessHtmlFacebookCom($html) {
 246     $html = str_replace('<!--', '', $html);
 247     $html = str_replace('-->', '', $html);
 248     return $html;
 249   }
 250
 251   /**
 252    * Convert the HTML retrieved from the site to XML.
 253    */
 254   private function htmlToXml($html, $host) {
 255     $xmlDoc = new DOMDocument();
 256
 257     // Handle warnings and errors when loading invalid HTML.
 258     $xml_errors_value = libxml_use_internal_errors(TRUE);
 259
 260     // If there is a host-specific method to get the XML data, use it!
 261     $get_xml_host_method = 'getXml' . Tweeper::toUpperCamelCase($host, '.');
 262     if (method_exists($this, $get_xml_host_method)) {
 263       $xml_data = call_user_func_array(array($this, $get_xml_host_method), array($html));
 264       $xmlDoc->loadXML($xml_data);
 265     }
 266     else {
 267       $xmlDoc->loadHTML($html);
 268     }
 269
 270     foreach (libxml_get_errors() as $xml_error) {
 271       Tweeper::logXmlError($xml_error);
 272     }
 273     libxml_clear_errors();
 274     libxml_use_internal_errors($xml_errors_value);
 275
 276     return $xmlDoc;
 277   }
 278
 279   /**
 280    * Load a stylesheet if the web site is supported.
 281    */
 282   private function loadStylesheet($host) {
 283     $stylesheet = "file://" . __DIR__ . "/rss_converter_" . $host . ".xsl";
 284     if (FALSE === file_exists($stylesheet)) {
 285       trigger_error("Conversion to RSS not supported for $host ($stylesheet not found)", E_USER_ERROR);
 286       return NULL;
 287     }
 288
 289     $stylesheet_contents = Tweeper::getUrlContents($stylesheet);
 290
 291     $xslDoc = new DOMDocument();
 292     $xslDoc->loadXML($stylesheet_contents);
 293
 294     $xsltProcessor = new XSLTProcessor();
 295     $xsltProcessor->registerPHPFunctions();
 296     $xsltProcessor->setParameter('', 'generate-enclosure', $this->generate_enclosure);
 297     $xsltProcessor->importStylesheet($xslDoc);
 298
 299     return $xsltProcessor;
 300   }
 301
 302   /**
 303    * Convert the site content to RSS.
 304    */
 305   public function tweep($src_url) {
 306     $url = parse_url($src_url);
 307     if (FALSE === $url || empty($url["host"])) {
 308       trigger_error("Invalid URL: $src_url", E_USER_ERROR);
 309       return NULL;
 310     }
 311
 312     // Strip the leading www. to be more forgiving on input URLs.
 313     $host = preg_replace('/^www\./', '', $url["host"]);
 314
 315     $xsltProcessor = $this->loadStylesheet($host);
 316     if (NULL === $xsltProcessor) {
 317       return NULL;
 318     }
 319
 320     $html = Tweeper::getUrlContents($src_url);
 321     if (FALSE === $html) {
 322       return NULL;
 323     }
 324
 325     $preprocess_html_host_method = 'preprocessHtml' . Tweeper::toUpperCamelCase($host, '.');
 326     if (method_exists($this, $preprocess_html_host_method)) {
 327       $html = call_user_func_array(array($this, $preprocess_html_host_method), array($html));
 328     }
 329
 330     $xmlDoc = $this->htmlToXml($html, $host);
 331     if (NULL === $xmlDoc) {
 332       return NULL;
 333     }
 334
 335     $output = $xsltProcessor->transformToXML($xmlDoc);
 336
 337     if (FALSE === $output) {
 338       trigger_error('XSL transformation failed.', E_USER_ERROR);
 339       return NULL;
 340     }
 341     return $output;
 342   }
 343
 344 }
 345
 346 /**
 347  * Check if the script is being run from the command line.
 348  */
 349 function is_cli() {
 350   return (php_sapi_name() === "cli");
 351 }
 352
 353 /**
 354  * Show the script usage.
 355  */
 356 function usage($argv) {
 357   if (is_cli()) {
 358     $usage = "{$argv[0]} [-e|-h|--help] <src_url>\n";
 359   }
 360   else {
 361     $usage = htmlentities("{$_SERVER['SCRIPT_NAME']}?src_url=<src_url>&generate_enclosure=<0|1>");
 362   }
 363
 364   return "usage: $usage";
 365 }
 366
 367 /**
 368  * Parse command line options.
 369  */
 370 function parse_options_cli($argv, $argc) {
 371   $options = array(
 372     'generate_enclosure' => FALSE,
 373   );
 374
 375   if ($argc < 2) {
 376     return $options;
 377   }
 378
 379   $cli_options = getopt("eh", array("help"));
 380   foreach ($cli_options as $opt => $val) {
 381     switch ($opt) {
 382       case 'e':
 383         $options['generate_enclosure'] = TRUE;
 384         break;
 385
 386       case 'h':
 387       case 'help':
 388         echo usage($argv);
 389         exit(0);
 390
 391       default:
 392         fwrite(STDERR, usage($argv));
 393         exit(1);
 394     }
 395   }
 396
 397   $options['src_url'] = $argv[count($cli_options) + 1];
 398
 399   return $options;
 400 }
 401
 402 /**
 403  * Parse options passed from a query string.
 404  */
 405 function parse_options_query_string() {
 406   $options = array(
 407     'generate_enclosure' => FALSE,
 408   );
 409
 410   if (isset($_GET['src_url'])) {
 411     $options['src_url'] = $_GET['src_url'];
 412   }
 413
 414   if (isset($_GET['generate_enclosure'])) {
 415     $options['generate_enclosure'] = $_GET['generate_enclosure'] == 1;
 416   }
 417
 418   return $options;
 419 }
 420
 421 if (is_cli()) {
 422   $options = parse_options_cli($argv, $argc);
 423   $error_stream = fopen('php://stderr', 'w');
 424 }
 425 else {
 426   $options = parse_options_query_string();
 427   $error_stream = fopen('php://output', 'w');
 428 }
 429
 430 if (!isset($options['src_url'])) {
 431   fwrite($error_stream, usage(is_cli() ? $argv : NULL));
 432   exit(1);
 433 }
 434
 435 $tweeper = new Tweeper($options['generate_enclosure']);
 436 echo $tweeper->tweep($options['src_url']);