8fda9b1ea3415c5a44199ac8f01db74ebe51c8de
[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:60.0) Gecko/20100101 Firefox/60.0";
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_RETURNTRANSFER => TRUE,
125       CURLOPT_SSL_VERIFYHOST => FALSE,
126       CURLOPT_SSL_VERIFYPEER => FALSE,
127       CURLOPT_HTTPHEADER => array('Accept-language: en'),
128       CURLOPT_USERAGENT => Tweeper::$userAgent,
129     ));
130     $contents = Tweeper::curlExec($ch);
131     curl_close($ch);
132
133     return $contents;
134   }
135
136   /**
137    * Get the headers from a URL.
138    */
139   private static function getUrlInfo($url) {
140     $ch = curl_init($url);
141     curl_setopt_array($ch, array(
142       CURLOPT_HEADER => TRUE,
143       CURLOPT_NOBODY => TRUE,
144       CURLOPT_CONNECTTIMEOUT => Tweeper::$maxConnectionTimeout,
145       // Follow http redirects to get the real URL.
146       CURLOPT_FOLLOWLOCATION => TRUE,
147       CURLOPT_RETURNTRANSFER => TRUE,
148       CURLOPT_SSL_VERIFYHOST => FALSE,
149       CURLOPT_SSL_VERIFYPEER => FALSE,
150       CURLOPT_USERAGENT => Tweeper::$userAgent,
151     ));
152
153     $ret = Tweeper::curlExec($ch);
154     if (FALSE === $ret) {
155       curl_close($ch);
156       return FALSE;
157     }
158
159     $url_info = curl_getinfo($ch);
160     if (FALSE === $url_info) {
161       trigger_error(curl_error($ch), E_USER_WARNING);
162     }
163     curl_close($ch);
164
165     return $url_info;
166   }
167
168   /**
169    * Generate an RSS <enclosure/> element.
170    */
171   public static function generateEnclosure($url) {
172     $supported_content_types = array(
173       "application/octet-stream",
174       "application/ogg",
175       "application/pdf",
176       "audio/aac",
177       "audio/mp4",
178       "audio/mpeg",
179       "audio/ogg",
180       "audio/vorbis",
181       "audio/wav",
182       "audio/webm",
183       "audio/x-midi",
184       "image/gif",
185       "image/jpeg",
186       "image/png",
187       "video/avi",
188       "video/mp4",
189       "video/mpeg",
190       "video/ogg",
191     );
192
193     $url_info = Tweeper::getUrlInfo($url);
194     if (FALSE === $url_info) {
195       trigger_error("Failed to retrieve info for URL: " . $url, E_USER_WARNING);
196       return '';
197     }
198
199     $supported = in_array($url_info['content_type'], $supported_content_types);
200     if (!$supported) {
201       trigger_error("Unsupported enclosure content type \"" . $url_info['content_type'] . "\" for URL: " . $url_info['url'], E_USER_WARNING);
202       return '';
203     }
204
205     // The RSS specification says that the enclosure element URL must be http.
206     // See http://sourceforge.net/p/feedvalidator/bugs/72/
207     $http_url = preg_replace("/^https/", "http", $url_info['url']);
208
209     $dom = new DOMDocument();
210     $enc = $dom->createElement('enclosure');
211     $enc->setAttribute('url', $http_url);
212     $enc->setAttribute('length', $url_info['download_content_length']);
213     $enc->setAttribute('type', $url_info['content_type']);
214
215     return $enc;
216   }
217
218   /**
219    * Mimic the message from libxml.c::php_libxml_ctx_error_level()
220    */
221   private static function logXmlError($error) {
222     $output = "";
223
224     switch ($error->level) {
225       case LIBXML_ERR_WARNING:
226         $output .= "Warning $error->code: ";
227         break;
228
229       case LIBXML_ERR_ERROR:
230         $output .= "Error $error->code: ";
231         break;
232
233       case LIBXML_ERR_FATAL:
234         $output .= "Fatal Error $error->code: ";
235         break;
236     }
237
238     $output .= trim($error->message);
239
240     if ($error->file) {
241       $output .= " in $error->file";
242     }
243     else {
244       $output .= " in Entity,";
245     }
246
247     $output .= " line $error->line";
248
249     trigger_error($output, E_USER_WARNING);
250   }
251
252   /**
253    * Convert json to XML.
254    */
255   private static function jsonToXml($json, $root_node_name) {
256     // Apparently the ObjectNormalizer used afterwards is not able to handle
257     // the stdClass object created by json_decode() with the default setting
258     // $assoc = false; so use $assoc = true.
259     $data = json_decode($json, $assoc = TRUE);
260     if (!$data) {
261       return NULL;
262     }
263
264     $encoder = new XmlEncoder();
265     $normalizer = new ObjectNormalizer();
266     $serializer = new Serializer(array($normalizer), array($encoder));
267
268     $serializer_options = array(
269       'xml_encoding' => "UTF-8",
270       'xml_format_output' => TRUE,
271       'xml_root_node_name' => $root_node_name,
272     );
273
274     $xml_data = $serializer->serialize($data, 'xml', $serializer_options);
275     if (!$xml_data) {
276       trigger_error("Cannot serialize data", E_USER_WARNING);
277       return NULL;
278     }
279
280     return $xml_data;
281   }
282
283   /**
284    * Convert the Instagram content to XML.
285    */
286   private function getXmlInstagramCom($html) {
287     // Extract the json data from the html code.
288     $json_match_expr = '/window._sharedData = (.*);/';
289     $ret = preg_match($json_match_expr, $html, $matches);
290     if ($ret !== 1) {
291       trigger_error("Cannot match expression: $json_match_expr\n", E_USER_WARNING);
292       return NULL;
293     }
294
295     $data = json_decode($matches[1], $assoc = TRUE);
296
297     // The "qe" object contains elements which will result in invalid XML
298     // element names, so remove it.
299     unset($data["qe"]);
300
301     // The "knobs" object contains elements with undefined namespaces, so
302     // remove it to silence an error message.
303     unset($data["knobs"]);
304
305     $json = json_encode($data);
306
307     return Tweeper::jsonToXml($json, 'instagram');
308   }
309
310   /**
311    * Make the Facebook HTML processable.
312    */
313   private function preprocessHtmlFacebookCom($html) {
314     $html = str_replace('<!--', '', $html);
315     $html = str_replace('-->', '', $html);
316     return $html;
317   }
318
319   /**
320    * Convert the HTML retrieved from the site to XML.
321    */
322   private function htmlToXml($html, $host) {
323     $xmlDoc = new DOMDocument();
324
325     // Handle warnings and errors when loading invalid HTML.
326     $xml_errors_value = libxml_use_internal_errors(TRUE);
327
328     // If there is a host-specific method to get the XML data, use it!
329     $get_xml_host_method = 'getXml' . Tweeper::toUpperCamelCase($host, '.');
330     if (method_exists($this, $get_xml_host_method)) {
331       $xml_data = call_user_func_array(array($this, $get_xml_host_method), array($html));
332       $xmlDoc->loadXML($xml_data);
333     }
334     else {
335       $xmlDoc->loadHTML($html);
336     }
337
338     foreach (libxml_get_errors() as $xml_error) {
339       Tweeper::logXmlError($xml_error);
340     }
341     libxml_clear_errors();
342     libxml_use_internal_errors($xml_errors_value);
343
344     return $xmlDoc;
345   }
346
347   /**
348    * Load a stylesheet if the web site is supported.
349    */
350   private function loadStylesheet($host) {
351     $stylesheet = "file://" . __DIR__ . "/rss_converter_" . $host . ".xsl";
352     if (FALSE === file_exists($stylesheet)) {
353       trigger_error("Conversion to RSS not supported for $host ($stylesheet not found)", E_USER_WARNING);
354       return NULL;
355     }
356
357     $stylesheet_contents = Tweeper::getUrlContents($stylesheet);
358     if (FALSE === $stylesheet_contents) {
359       trigger_error("Cannot open $stylesheet", E_USER_WARNING);
360       return NULL;
361     }
362
363     $xslDoc = new DOMDocument();
364     $xslDoc->loadXML($stylesheet_contents);
365
366     $xsltProcessor = new XSLTProcessor();
367     $xsltProcessor->registerPHPFunctions();
368     $xsltProcessor->setParameter('', 'generate-enclosure', $this->generate_enclosure);
369     $xsltProcessor->setParameter('', 'show-usernames', $this->show_usernames);
370     $xsltProcessor->setParameter('', 'show-multimedia', $this->show_multimedia);
371     $xsltProcessor->importStylesheet($xslDoc);
372
373     return $xsltProcessor;
374   }
375
376   /**
377    * Convert the site content to RSS.
378    */
379   public function tweep($src_url, $host = NULL, $validate_scheme = TRUE) {
380     $url = parse_url($src_url);
381     if (FALSE === $url) {
382       trigger_error("Invalid URL: $src_url", E_USER_WARNING);
383       return NULL;
384     }
385
386     if (TRUE === $validate_scheme) {
387       $scheme = $url["scheme"];
388       if (!in_array($scheme, array("http", "https"))) {
389         trigger_error("unsupported scheme: $scheme", E_USER_WARNING);
390         return NULL;
391       }
392     }
393
394     // If the host is not given derive it from the URL.
395     if (NULL === $host) {
396       if (empty($url["host"])) {
397         trigger_error("Invalid host in URL: $src_url", E_USER_WARNING);
398         return NULL;
399       }
400       // Strip the leading www. to be more forgiving on input URLs.
401       $host = preg_replace('/^www\./', '', $url["host"]);
402     }
403
404     $xsltProcessor = $this->loadStylesheet($host);
405     if (NULL === $xsltProcessor) {
406       return NULL;
407     }
408
409     $html = Tweeper::getUrlContents($src_url);
410     if (FALSE === $html) {
411       trigger_error("Failed to retrieve $src_url", E_USER_WARNING);
412       return NULL;
413     }
414
415     $preprocess_html_host_method = 'preprocessHtml' . Tweeper::toUpperCamelCase($host, '.');
416     if (method_exists($this, $preprocess_html_host_method)) {
417       $html = call_user_func_array(array($this, $preprocess_html_host_method), array($html));
418     }
419
420     $xmlDoc = $this->htmlToXml($html, $host);
421     if (NULL === $xmlDoc) {
422       return NULL;
423     }
424
425     $output = $xsltProcessor->transformToXML($xmlDoc);
426     if (FALSE === $output) {
427       trigger_error('XSL transformation failed.', E_USER_WARNING);
428       return NULL;
429     }
430
431     return $output;
432   }
433
434 }