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