rss_converter_twitter.com.xsl: use direct URLs for links, when possible
[tweeper.git] / 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       "image/png",
136       "video/avi",
137       "video/mp4",
138       "video/mpeg",
139       "video/ogg",
140     );
141
142     // The RSS specification says that the enclosure element URL must be http.
143     // See http://sourceforge.net/p/feedvalidator/bugs/72/
144     $http_url = preg_replace("/^https/", "http", $url);
145
146     $url_info = Tweeper::getUrlInfo($http_url);
147
148     $supported = in_array($url_info['content_type'], $supported_content_types);
149     if (!$supported) {
150       error_log("Unsupported enclosure content type \"" . $url_info['content_type'] . "\" for URL: " . $url_info['url']);
151       return '';
152     }
153
154     $dom = new DOMDocument();
155     $enc = $dom->createElement('enclosure');
156     $enc->setAttribute('url', $url_info['url']);
157     $enc->setAttribute('length', $url_info['download_content_length']);
158     $enc->setAttribute('type', $url_info['content_type']);
159
160     return $enc;
161   }
162
163   /**
164    * Mimic the message from libxml.c::php_libxml_ctx_error_level()
165    */
166   private static function logXmlError($error) {
167     $output = "";
168
169     switch ($error->level) {
170       case LIBXML_ERR_WARNING:
171         $output .= "Warning $error->code: ";
172         break;
173
174       case LIBXML_ERR_ERROR:
175         $output .= "Error $error->code: ";
176         break;
177
178       case LIBXML_ERR_FATAL:
179         $output .= "Fatal Error $error->code: ";
180         break;
181     }
182
183     $output .= trim($error->message);
184
185     if ($error->file) {
186       $output .= " in $error->file";
187     }
188     else {
189       $output .= " in Entity,";
190     }
191
192     $output .= " line $error->line";
193
194     error_log($output);
195   }
196
197   /**
198    * Convert json to XML.
199    */
200   private static function jsonToXml($json, $root_node_name) {
201     // Apparently the ObjectNormalizer used afterwards is not able to handle
202     // the stdClass object created by json_decode() with the default setting
203     // $assoc = false; so use $assoc = true.
204     $data = json_decode($json, $assoc = TRUE);
205     if (!$data) {
206       return NULL;
207     }
208
209     $encoder = new XmlEncoder();
210     $normalizer = new ObjectNormalizer();
211     $serializer = new Serializer(array($normalizer), array($encoder));
212
213     $serializer_options = array(
214       'xml_encoding' => "UTF-8",
215       'xml_format_output' => TRUE,
216       'xml_root_node_name' => $root_node_name,
217     );
218
219     $xml_data = $serializer->serialize($data, 'xml', $serializer_options);
220     if (!$xml_data) {
221       trigger_error("Cannot serialize data", E_USER_ERROR);
222       return NULL;
223     }
224
225     return $xml_data;
226   }
227
228   /**
229    * Convert the Instagram content to XML.
230    */
231   private function getXmlInstagramCom($html) {
232     // Extract the json data from the html code.
233     $json_match_expr = '/window._sharedData = (.*);/';
234     $ret = preg_match($json_match_expr, $html, $matches);
235     if ($ret !== 1) {
236       trigger_error("Cannot match expression: $json_match_expr\n", E_USER_ERROR);
237       return NULL;
238     }
239
240     return Tweeper::jsonToXml($matches[1], 'instagram');
241   }
242
243   /**
244    * Make the Facebook HTML processable.
245    */
246   private function preprocessHtmlFacebookCom($html) {
247     $html = str_replace('<!--', '', $html);
248     $html = str_replace('-->', '', $html);
249     return $html;
250   }
251
252   /**
253    * Convert the HTML retrieved from the site to XML.
254    */
255   private function htmlToXml($html, $host) {
256     $xmlDoc = new DOMDocument();
257
258     // Handle warnings and errors when loading invalid HTML.
259     $xml_errors_value = libxml_use_internal_errors(TRUE);
260
261     // If there is a host-specific method to get the XML data, use it!
262     $get_xml_host_method = 'getXml' . Tweeper::toUpperCamelCase($host, '.');
263     if (method_exists($this, $get_xml_host_method)) {
264       $xml_data = call_user_func_array(array($this, $get_xml_host_method), array($html));
265       $xmlDoc->loadXML($xml_data);
266     }
267     else {
268       $xmlDoc->loadHTML($html);
269     }
270
271     foreach (libxml_get_errors() as $xml_error) {
272       Tweeper::logXmlError($xml_error);
273     }
274     libxml_clear_errors();
275     libxml_use_internal_errors($xml_errors_value);
276
277     return $xmlDoc;
278   }
279
280   /**
281    * Load a stylesheet if the web site is supported.
282    */
283   private function loadStylesheet($host) {
284     $stylesheet = "file://" . __DIR__ . "/rss_converter_" . $host . ".xsl";
285     if (FALSE === file_exists($stylesheet)) {
286       trigger_error("Conversion to RSS not supported for $host ($stylesheet not found)", E_USER_ERROR);
287       return NULL;
288     }
289
290     $stylesheet_contents = Tweeper::getUrlContents($stylesheet);
291
292     $xslDoc = new DOMDocument();
293     $xslDoc->loadXML($stylesheet_contents);
294
295     $xsltProcessor = new XSLTProcessor();
296     $xsltProcessor->registerPHPFunctions();
297     $xsltProcessor->setParameter('', 'generate-enclosure', $this->generate_enclosure);
298     $xsltProcessor->importStylesheet($xslDoc);
299
300     return $xsltProcessor;
301   }
302
303   /**
304    * Convert the site content to RSS.
305    */
306   public function tweep($src_url) {
307     $url = parse_url($src_url);
308     if (FALSE === $url || empty($url["host"])) {
309       trigger_error("Invalid URL: $src_url", E_USER_ERROR);
310       return NULL;
311     }
312
313     // Strip the leading www. to be more forgiving on input URLs.
314     $host = preg_replace('/^www\./', '', $url["host"]);
315
316     $xsltProcessor = $this->loadStylesheet($host);
317     if (NULL === $xsltProcessor) {
318       return NULL;
319     }
320
321     $html = Tweeper::getUrlContents($src_url);
322     if (FALSE === $html) {
323       return NULL;
324     }
325
326     $preprocess_html_host_method = 'preprocessHtml' . Tweeper::toUpperCamelCase($host, '.');
327     if (method_exists($this, $preprocess_html_host_method)) {
328       $html = call_user_func_array(array($this, $preprocess_html_host_method), array($html));
329     }
330
331     $xmlDoc = $this->htmlToXml($html, $host);
332     if (NULL === $xmlDoc) {
333       return NULL;
334     }
335
336     $output = $xsltProcessor->transformToXML($xmlDoc);
337
338     if (FALSE === $output) {
339       trigger_error('XSL transformation failed.', E_USER_ERROR);
340       return NULL;
341     }
342     return $output;
343   }
344
345 }
346
347 /**
348  * Check if the script is being run from the command line.
349  */
350 function is_cli() {
351   return (php_sapi_name() === "cli");
352 }
353
354 /**
355  * Show the script usage.
356  */
357 function usage($argv) {
358   if (is_cli()) {
359     $usage = "{$argv[0]} [-e|-h|--help] <src_url>\n";
360   }
361   else {
362     $usage = htmlentities("{$_SERVER['SCRIPT_NAME']}?src_url=<src_url>&generate_enclosure=<0|1>");
363   }
364
365   return "usage: $usage";
366 }
367
368 /**
369  * Parse command line options.
370  */
371 function parse_options_cli($argv, $argc) {
372   $options = array(
373     'generate_enclosure' => FALSE,
374   );
375
376   if ($argc < 2) {
377     return $options;
378   }
379
380   $cli_options = getopt("eh", array("help"));
381   foreach ($cli_options as $opt => $val) {
382     switch ($opt) {
383       case 'e':
384         $options['generate_enclosure'] = TRUE;
385         break;
386
387       case 'h':
388       case 'help':
389         echo usage($argv);
390         exit(0);
391
392       default:
393         fwrite(STDERR, usage($argv));
394         exit(1);
395     }
396   }
397
398   $options['src_url'] = $argv[count($cli_options) + 1];
399
400   return $options;
401 }
402
403 /**
404  * Parse options passed from a query string.
405  */
406 function parse_options_query_string() {
407   $options = array(
408     'generate_enclosure' => FALSE,
409   );
410
411   if (isset($_GET['src_url'])) {
412     $options['src_url'] = $_GET['src_url'];
413   }
414
415   if (isset($_GET['generate_enclosure'])) {
416     $options['generate_enclosure'] = $_GET['generate_enclosure'] == 1;
417   }
418
419   return $options;
420 }
421
422 if (is_cli()) {
423   $options = parse_options_cli($argv, $argc);
424   $error_stream = fopen('php://stderr', 'w');
425 }
426 else {
427   $options = parse_options_query_string();
428   $error_stream = fopen('php://output', 'w');
429 }
430
431 if (!isset($options['src_url'])) {
432   fwrite($error_stream, usage(is_cli() ? $argv : NULL));
433   exit(1);
434 }
435
436 $tweeper = new Tweeper($options['generate_enclosure']);
437 echo $tweeper->tweep($options['src_url']);