877e882b4a9e8651e446d1b877a20cb65484591b
[tweeper.git] / 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) 2013-2018  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; WOW64; rv:64.0) Gecko/20100101 Firefox/64.0";
40   private static $maxConnectionTimeout = 5;
41   private static $maxConnectionRetries = 5;
42
43   /**
44    * Create a new Tweeper object controlling optional settings.
45    *
46    * @param bool $generate_enclosure
47    *   Enables the creation of <enclosure/> elements (disabled by default).
48    * @param bool $show_usernames
49    *   Enables showing the username in front of the content for multi-user
50    *   sites (enabled by default). Only some stylesheets supports this
51    *   functionality (twitter, instagram, pump.io).
52    * @param bool $show_multimedia
53    *   Enables showing multimedia content (images, videos) directly in the
54    *   item description (enabled by default). Only some stylesheets supports
55    *   this functionality (twitter, instagram, dilbert).
56    */
57   public function __construct($generate_enclosure = FALSE, $show_usernames = TRUE, $show_multimedia = TRUE) {
58     $this->generate_enclosure = $generate_enclosure;
59     $this->show_usernames = $show_usernames;
60     $this->show_multimedia = $show_multimedia;
61   }
62
63   /**
64    * Convert numeric Epoch to the date format expected in a RSS document.
65    */
66   public static function epochToRssDate($timestamp) {
67     if (!is_numeric($timestamp) || is_nan($timestamp)) {
68       $timestamp = 0;
69     }
70
71     return gmdate(DATE_RSS, $timestamp);
72   }
73
74   /**
75    * Convert generic date string to the date format expected in a RSS document.
76    */
77   public static function strToRssDate($date) {
78     $timestamp = strtotime($date);
79     if (FALSE === $timestamp) {
80       $timestamp = 0;
81     }
82
83     return Tweeper::epochToRssDate($timestamp);
84   }
85
86   /**
87    * Convert string to UpperCamelCase.
88    */
89   public static function toUpperCamelCase($str, $delim = ' ') {
90     $str_upper = ucwords($str, $delim);
91     $str_camel_case = str_replace($delim, '', $str_upper);
92     return $str_camel_case;
93   }
94
95   /**
96    * Perform a cURL session multiple times when it fails with a timeout.
97    *
98    * @param resource $ch
99    *   a cURL session handle.
100    */
101   private static function curlExec($ch) {
102     $ret = FALSE;
103     $attempt = 0;
104     do {
105       $ret = curl_exec($ch);
106       if (FALSE === $ret) {
107         trigger_error(curl_error($ch), E_USER_WARNING);
108       }
109     } while (curl_errno($ch) == CURLE_OPERATION_TIMEDOUT && ++$attempt < Tweeper::$maxConnectionRetries);
110
111     return $ret;
112   }
113
114   /**
115    * Get the contents from a URL.
116    */
117   private static function getUrlContents($url) {
118     $ch = curl_init($url);
119     curl_setopt_array($ch, array(
120       CURLOPT_HEADER => FALSE,
121       CURLOPT_CONNECTTIMEOUT => Tweeper::$maxConnectionTimeout,
122       // Follow http redirects to get the real URL.
123       CURLOPT_FOLLOWLOCATION => TRUE,
124       CURLOPT_COOKIEFILE => "",
125       CURLOPT_RETURNTRANSFER => TRUE,
126       CURLOPT_SSL_VERIFYHOST => FALSE,
127       CURLOPT_SSL_VERIFYPEER => FALSE,
128       CURLOPT_HTTPHEADER => array('Accept-language: en'),
129       CURLOPT_USERAGENT => Tweeper::$userAgent,
130     ));
131     $contents = Tweeper::curlExec($ch);
132     curl_close($ch);
133
134     return $contents;
135   }
136
137   /**
138    * Get the headers from a URL.
139    */
140   private static function getUrlInfo($url) {
141     $ch = curl_init($url);
142     curl_setopt_array($ch, array(
143       CURLOPT_HEADER => TRUE,
144       CURLOPT_NOBODY => TRUE,
145       CURLOPT_CONNECTTIMEOUT => Tweeper::$maxConnectionTimeout,
146       // Follow http redirects to get the real URL.
147       CURLOPT_FOLLOWLOCATION => TRUE,
148       CURLOPT_RETURNTRANSFER => TRUE,
149       CURLOPT_SSL_VERIFYHOST => FALSE,
150       CURLOPT_SSL_VERIFYPEER => FALSE,
151       CURLOPT_USERAGENT => Tweeper::$userAgent,
152     ));
153
154     $ret = Tweeper::curlExec($ch);
155     if (FALSE === $ret) {
156       curl_close($ch);
157       return FALSE;
158     }
159
160     $url_info = curl_getinfo($ch);
161     if (FALSE === $url_info) {
162       trigger_error(curl_error($ch), E_USER_WARNING);
163     }
164     curl_close($ch);
165
166     return $url_info;
167   }
168
169   /**
170    * Generate an RSS <enclosure/> element.
171    */
172   public static function generateEnclosure($url) {
173     $supported_content_types = array(
174       "application/octet-stream",
175       "application/ogg",
176       "application/pdf",
177       "audio/aac",
178       "audio/mp4",
179       "audio/mpeg",
180       "audio/ogg",
181       "audio/vorbis",
182       "audio/wav",
183       "audio/webm",
184       "audio/x-midi",
185       "image/gif",
186       "image/jpeg",
187       "image/png",
188       "video/avi",
189       "video/mp4",
190       "video/mpeg",
191       "video/ogg",
192     );
193
194     $url_info = Tweeper::getUrlInfo($url);
195     if (FALSE === $url_info) {
196       trigger_error("Failed to retrieve info for URL: " . $url, E_USER_WARNING);
197       return '';
198     }
199
200     $supported = in_array($url_info['content_type'], $supported_content_types);
201     if (!$supported) {
202       trigger_error("Unsupported enclosure content type \"" . $url_info['content_type'] . "\" for URL: " . $url_info['url'], E_USER_WARNING);
203       return '';
204     }
205
206     // The RSS specification says that the enclosure element URL must be http.
207     // See http://sourceforge.net/p/feedvalidator/bugs/72/
208     $http_url = preg_replace("/^https/", "http", $url_info['url']);
209
210     // When the server does not provide a Content-Length header,
211     // curl_getinfo() would return a negative value for
212     // "download_content_length", however RSS recommends to use 0 when the
213     // enclosure's size cannot be determined.
214     // See: https://www.feedvalidator.org/docs/error/UseZeroForUnknown.html
215     $length = max($url_info['download_content_length'], 0);
216
217     $dom = new DOMDocument();
218     $enc = $dom->createElement('enclosure');
219     $enc->setAttribute('url', $http_url);
220     $enc->setAttribute('length', $length);
221     $enc->setAttribute('type', $url_info['content_type']);
222
223     return $enc;
224   }
225
226   /**
227    * Mimic the message from libxml.c::php_libxml_ctx_error_level()
228    */
229   private static function logXmlError($error) {
230     $output = "";
231
232     switch ($error->level) {
233       case LIBXML_ERR_WARNING:
234         $output .= "Warning $error->code: ";
235         break;
236
237       case LIBXML_ERR_ERROR:
238         $output .= "Error $error->code: ";
239         break;
240
241       case LIBXML_ERR_FATAL:
242         $output .= "Fatal Error $error->code: ";
243         break;
244     }
245
246     $output .= trim($error->message);
247
248     if ($error->file) {
249       $output .= " in $error->file";
250     }
251     else {
252       $output .= " in Entity,";
253     }
254
255     $output .= " line $error->line";
256
257     trigger_error($output, E_USER_WARNING);
258   }
259
260   /**
261    * Convert json to XML.
262    */
263   private static function jsonToXml($json, $root_node_name) {
264     // Apparently the ObjectNormalizer used afterwards is not able to handle
265     // the stdClass object created by json_decode() with the default setting
266     // $assoc = false; so use $assoc = true.
267     $data = json_decode($json, $assoc = TRUE);
268     if (!$data) {
269       return NULL;
270     }
271
272     $encoder = new XmlEncoder();
273     $normalizer = new ObjectNormalizer();
274     $serializer = new Serializer(array($normalizer), array($encoder));
275
276     $serializer_options = array(
277       'xml_encoding' => "UTF-8",
278       'xml_format_output' => TRUE,
279       'xml_root_node_name' => $root_node_name,
280     );
281
282     $xml_data = $serializer->serialize($data, 'xml', $serializer_options);
283     if (!$xml_data) {
284       trigger_error("Cannot serialize data", E_USER_WARNING);
285       return NULL;
286     }
287
288     return $xml_data;
289   }
290
291   /**
292    * Convert the Instagram content to XML.
293    */
294   private function getXmlInstagramCom($html) {
295     // Extract the json data from the html code.
296     $json_match_expr = '/window._sharedData = (.*);/';
297     $ret = preg_match($json_match_expr, $html, $matches);
298     if ($ret !== 1) {
299       trigger_error("Cannot match expression: $json_match_expr\n", E_USER_WARNING);
300       return NULL;
301     }
302
303     $data = json_decode($matches[1], $assoc = TRUE);
304
305     // The "qe" object contains elements which will result in invalid XML
306     // element names, so remove it.
307     unset($data["qe"]);
308
309     // The "knobs" object contains elements with undefined namespaces, so
310     // remove it to silence an error message.
311     unset($data["knobs"]);
312
313     $json = json_encode($data);
314
315     return Tweeper::jsonToXml($json, 'instagram');
316   }
317
318   /**
319    * Make the Facebook HTML processable.
320    */
321   private function preprocessHtmlFacebookCom($html) {
322     $html = str_replace('<!--', '', $html);
323     $html = str_replace('-->', '', $html);
324     return $html;
325   }
326
327   /**
328    * Convert the HTML retrieved from the site to XML.
329    */
330   private function htmlToXml($html, $host) {
331     $xmlDoc = new DOMDocument();
332
333     // Handle warnings and errors when loading invalid HTML.
334     $xml_errors_value = libxml_use_internal_errors(TRUE);
335
336     // If there is a host-specific method to get the XML data, use it!
337     $get_xml_host_method = 'getXml' . Tweeper::toUpperCamelCase($host, '.');
338     if (method_exists($this, $get_xml_host_method)) {
339       $xml_data = call_user_func_array(array($this, $get_xml_host_method), array($html));
340       $xmlDoc->loadXML($xml_data);
341     }
342     else {
343       $xmlDoc->loadHTML($html);
344     }
345
346     foreach (libxml_get_errors() as $xml_error) {
347       Tweeper::logXmlError($xml_error);
348     }
349     libxml_clear_errors();
350     libxml_use_internal_errors($xml_errors_value);
351
352     return $xmlDoc;
353   }
354
355   /**
356    * Load a stylesheet if the web site is supported.
357    */
358   private function loadStylesheet($host) {
359     $stylesheet = "file://" . __DIR__ . "/rss_converter_" . $host . ".xsl";
360     if (FALSE === file_exists($stylesheet)) {
361       trigger_error("Conversion to RSS not supported for $host ($stylesheet not found)", E_USER_WARNING);
362       return NULL;
363     }
364
365     $stylesheet_contents = Tweeper::getUrlContents($stylesheet);
366     if (FALSE === $stylesheet_contents) {
367       trigger_error("Cannot open $stylesheet", E_USER_WARNING);
368       return NULL;
369     }
370
371     $xslDoc = new DOMDocument();
372     $xslDoc->loadXML($stylesheet_contents);
373
374     $xsltProcessor = new XSLTProcessor();
375     $xsltProcessor->registerPHPFunctions();
376     $xsltProcessor->setParameter('', 'generate-enclosure', $this->generate_enclosure);
377     $xsltProcessor->setParameter('', 'show-usernames', $this->show_usernames);
378     $xsltProcessor->setParameter('', 'show-multimedia', $this->show_multimedia);
379     $xsltProcessor->importStylesheet($xslDoc);
380
381     return $xsltProcessor;
382   }
383
384   /**
385    * Convert the site content to RSS.
386    */
387   public function tweep($src_url, $host = NULL, $validate_scheme = TRUE) {
388     $url = parse_url($src_url);
389     if (FALSE === $url) {
390       trigger_error("Invalid URL: $src_url", E_USER_WARNING);
391       return NULL;
392     }
393
394     if (TRUE === $validate_scheme) {
395       $scheme = $url["scheme"];
396       if (!in_array($scheme, array("http", "https"))) {
397         trigger_error("unsupported scheme: $scheme", E_USER_WARNING);
398         return NULL;
399       }
400     }
401
402     // If the host is not given derive it from the URL.
403     if (NULL === $host) {
404       if (empty($url["host"])) {
405         trigger_error("Invalid host in URL: $src_url", E_USER_WARNING);
406         return NULL;
407       }
408       // Strip the leading www. to be more forgiving on input URLs.
409       $host = preg_replace('/^www\./', '', $url["host"]);
410     }
411
412     $xsltProcessor = $this->loadStylesheet($host);
413     if (NULL === $xsltProcessor) {
414       return NULL;
415     }
416
417     $html = Tweeper::getUrlContents($src_url);
418     if (FALSE === $html) {
419       trigger_error("Failed to retrieve $src_url", E_USER_WARNING);
420       return NULL;
421     }
422
423     $preprocess_html_host_method = 'preprocessHtml' . Tweeper::toUpperCamelCase($host, '.');
424     if (method_exists($this, $preprocess_html_host_method)) {
425       $html = call_user_func_array(array($this, $preprocess_html_host_method), array($html));
426     }
427
428     $xmlDoc = $this->htmlToXml($html, $host);
429     if (NULL === $xmlDoc) {
430       return NULL;
431     }
432
433     $output = $xsltProcessor->transformToXML($xmlDoc);
434     if (FALSE === $output) {
435       trigger_error('XSL transformation failed.', E_USER_WARNING);
436       return NULL;
437     }
438
439     return $output;
440   }
441
442 }