README: mention the supported sites in the README file
[tweeper.git] / tweeper.php
1 <?php
2 /*
3  * tweeper - a Twitter to RSS web scraper
4  *
5  * Copyright (C) 2013-2015  Antonio Ospite <ao2@ao2.it>
6  *
7  * This program is free software: you can redistribute it and/or modify
8  * it under the terms of the GNU General Public License as published by
9  * the Free Software Foundation, either version 3 of the License, or
10  * (at your option) any later version.
11  *
12  * This program is distributed in the hope that it will be useful,
13  * but WITHOUT ANY WARRANTY; without even the implied warranty of
14  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
15  * GNU General Public License for more details.
16  *
17  * You should have received a copy of the GNU General Public License
18  * along with this program.  If not, see <http://www.gnu.org/licenses/>.
19  */
20
21 require_once 'XML/Serializer.php';
22
23 date_default_timezone_set('UTC');
24
25 class Tweeper {
26
27   private static $USER_AGENT = "Mozilla/5.0 (Windows NT 6.1; rv:22.0) Gecko/20130405 Firefox/22.0";
28
29   public function __construct($generate_enclosure = FALSE) {
30     $this->generate_enclosure = $generate_enclosure;
31   }
32
33   public static function epoch_to_gmdate($timestamp)
34   {
35     return gmdate('D, d M Y H:i:s', $timestamp) . ' GMT';
36   }
37
38   public static function str_to_gmdate($date)
39   {
40     $timestamp = strtotime($date);
41     return Tweeper::epoch_to_gmdate($timestamp);
42   }
43
44   private static function get_contents($url)
45   {
46     $ch = curl_init($url);
47     curl_setopt_array($ch, array(
48       CURLOPT_HEADER => FALSE,
49       CURLOPT_FOLLOWLOCATION => TRUE,  // follow http redirects to get the real URL
50       CURLOPT_RETURNTRANSFER => TRUE,
51       CURLOPT_SSL_VERIFYHOST => FALSE,
52       CURLOPT_SSL_VERIFYPEER => FALSE,
53       CURLOPT_HTTPHEADER => array('Accept-language: en'),
54       CURLOPT_USERAGENT => Tweeper::$USER_AGENT,
55     ));
56     $contents = curl_exec($ch);
57     curl_close($ch);
58
59     return $contents;
60   }
61
62   private static function get_info($url)
63   {
64     $ch = curl_init($url);
65     curl_setopt_array($ch, array(
66       CURLOPT_HEADER => TRUE,
67       CURLOPT_NOBODY => TRUE,
68       CURLOPT_FOLLOWLOCATION => TRUE,  // follow http redirects to get the real URL
69       CURLOPT_RETURNTRANSFER => TRUE,
70       CURLOPT_SSL_VERIFYHOST => FALSE,
71       CURLOPT_SSL_VERIFYPEER => FALSE,
72       CURLOPT_USERAGENT => Tweeper::$USER_AGENT,
73     ));
74     curl_exec($ch);
75     $url_info = curl_getinfo($ch);
76     curl_close($ch);
77
78     return $url_info;
79   }
80
81   public static function generate_enclosure($url)
82   {
83     $supported_content_types = array(
84       "application/ogg",
85       "audio/aac",
86       "audio/mp4",
87       "audio/mpeg",
88       "audio/ogg",
89       "audio/vorbis",
90       "audio/wav",
91       "audio/webm",
92       "audio/x-midi",
93       "image/gif",
94       "image/jpeg",
95       "video/avi",
96       "video/mp4",
97       "video/mpeg",
98       "video/ogg",
99     );
100
101     // The RSS specification says that the enclosure element url must be http.
102     // See http://sourceforge.net/p/feedvalidator/bugs/72/
103     $http_url = preg_replace("/^https/", "http", $url);
104
105     $url_info = Tweeper::get_info($http_url);
106
107     $supported = in_array($url_info['content_type'], $supported_content_types);
108     if (!$supported) {
109       error_log("Unsupported enclosure content type \"" . $url_info['content_type'] . "\" for URL: " . $url_info['url']);
110       return '';
111     }
112
113     $dom = new DomDocument();
114     $enc = $dom->createElement('enclosure');
115     $enc->setAttribute('url', $url_info['url']);
116     $enc->setAttribute('length', $url_info['download_content_length']);
117     $enc->setAttribute('type', $url_info['content_type']);
118
119     $dom->appendChild($enc);
120
121     return $dom->saveXML($enc);
122   }
123
124   /* Mimic the message from libxml.c::php_libxml_ctx_error_level() */
125   private function log_xml_error($error) {
126     $output = "";
127
128     switch ($error->level) {
129     case LIBXML_ERR_WARNING:
130       $output .= "Warning $error->code: ";
131       break;
132     case LIBXML_ERR_ERROR:
133       $output .= "Error $error->code: ";
134       break;
135     case LIBXML_ERR_FATAL:
136       $output .= "Fatal Error $error->code: ";
137       break;
138     }
139
140     $output .= trim($error->message);
141
142     if ($error->file) {
143       $output .= " in $error->file";
144     } else {
145       $output .= " in Entity,";
146     }
147
148     $output .=" line $error->line";
149
150     error_log($output);
151   }
152
153   private function load_stylesheet($host) {
154     $stylesheet = "file://" . __DIR__ . "/rss_converter_" . $host . ".xsl";
155     if (FALSE === file_exists($stylesheet)) {
156       trigger_error("Conversion to RSS not supported: $host", E_USER_ERROR);
157       return NULL;
158     }
159
160     $stylesheet_contents = $this->get_contents($stylesheet);
161
162     $xslDoc = new DOMDocument();
163     $xslDoc->loadXML($stylesheet_contents);
164
165     $xsltProcessor = new XSLTProcessor();
166     $xsltProcessor->registerPHPFunctions();
167     $xsltProcessor->setParameter('', 'generateEnclosure', $this->generate_enclosure);
168     $xsltProcessor->importStylesheet($xslDoc);
169
170     return $xsltProcessor;
171   }
172
173   private function json_to_xml($html, $json_match_expr, $rootName) {
174     // pre-process, convert json to XML
175     $ret = preg_match($json_match_expr, $html, $matches);
176     if ($ret !== 1) {
177       trigger_error("Cannot match expression: $json_match_expr\n", E_USER_ERROR);
178       return NULL;
179     }
180
181     $data = json_decode($matches[1]);
182     if (!$data) {
183       return NULL;
184     }
185
186     $serializer_options = array (
187       'addDecl' => TRUE,
188       'encoding' => "UTF-8",
189       'indent' => '  ',
190       'rootName' => $rootName,
191     );
192
193     $serializer = new XML_Serializer($serializer_options);
194
195     $status = $serializer->serialize($data);
196     if (PEAR::isError($status)) {
197       trigger_error($status->getMessage(), E_USER_ERROR);
198       return NULL;
199     }
200
201     return $serializer->getSerializedData();
202   }
203
204   private function get_xml_instagram_com($html) {
205     return $this->json_to_xml($html, '/window._sharedData = (.*);/', 'instagram');
206   }
207
208   private function html_to_xml($html, $host) {
209     $xmlDoc = new DOMDocument();
210
211     // Handle warnings and errors when loading invalid HTML.
212     $xml_errors_value = libxml_use_internal_errors(true);
213
214     // If there is a host-specific method to get the xml data, use it!
215     $get_xml_host_method = 'get_xml_' . str_replace(".", "_", $host);
216     if (method_exists($this, $get_xml_host_method)) {
217       $xml_data = call_user_func_array(array($this, $get_xml_host_method), array($html));
218       $xmlDoc->loadXML($xml_data);
219     } else {
220       $xmlDoc->loadHTML($html);
221     }
222
223     foreach (libxml_get_errors() as $xml_error) {
224       $this->log_xml_error($xml_error);
225     }
226     libxml_clear_errors();
227     libxml_use_internal_errors($xml_errors_value);
228
229     return $xmlDoc;
230   }
231
232   public function tweep($src_url) {
233     $url = parse_url($src_url);
234     if (FALSE === $url || empty($url["host"])) {
235       trigger_error("Invalid url: $src_url", E_USER_ERROR);
236       return NULL;
237     }
238
239     $xsltProcessor = $this->load_stylesheet($url["host"]);
240     if (NULL === $xsltProcessor) {
241       return NULL;
242     }
243
244     $html = $this->get_contents($src_url);
245     if (FALSE === $html) {
246       return NULL;
247     }
248
249     $xmlDoc = $this->html_to_xml($html, $url["host"]);
250     if (NULL === $xmlDoc) {
251       return NULL;
252     }
253
254     $output = $xsltProcessor->transformToXML($xmlDoc);
255
256     if (FALSE === $output) {
257       trigger_error('XSL transformation failed.', E_USER_ERROR);
258       return NULL;
259     }
260     return $output;
261   }
262 }
263
264 function usage($argv)
265 {
266   if (php_sapi_name() != 'cli')
267     $usage = htmlentities("{$_SERVER['SCRIPT_NAME']}?src_url=<src_url>&generate_enclosure=<0|1>");
268   else
269     $usage = "{$argv[0]} [-e|-h|--help] <src_url>\n";
270
271   return "usage: $usage";
272 }
273
274 function parse_options_cli($argv, $argc)
275 {
276   $options = array(
277     'generate_enclosure' => FALSE
278   );
279
280   if ($argc < 2)
281     return $options;
282
283   $cli_options = getopt("eh", array("help"));
284   foreach ($cli_options as $opt => $val) {
285     switch ($opt) {
286     case 'e':
287       $options['generate_enclosure'] = TRUE;
288       break;
289     case 'h':
290     case 'help':
291       echo usage($argv);
292       exit(0);
293     default:
294       fwrite(STDERR, usage($argv));
295       exit(1);
296     }
297   }
298
299   $options['src_url'] = $argv[count($cli_options) + 1];
300
301   return $options;
302 }
303
304 function parse_options_query_string()
305 {
306   $options = array(
307     'generate_enclosure' => FALSE
308   );
309
310   if (isset($_GET['src_url']))
311     $options['src_url'] = $_GET['src_url'];
312
313   if (isset($_GET['generate_enclosure']))
314     $options['generate_enclosure'] = $_GET['generate_enclosure'] == 1;
315
316   return $options;
317 }
318
319
320 if (php_sapi_name() != 'cli') {
321   $options = parse_options_query_string();
322   $ERROR_STREAM = fopen('php://output', 'w');
323 } else {
324   $options = parse_options_cli($argv, $argc);
325   $ERROR_STREAM = fopen('php://stderr', 'w');
326 }
327
328 if (!isset($options['src_url'])) {
329   fwrite($ERROR_STREAM, usage($argv));
330   exit(1);
331 }
332
333 $tweeper = new Tweeper($options['generate_enclosure']);
334 echo $tweeper->tweep($options['src_url']);