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     if (!is_numeric($timestamp) || is_nan($timestamp)) {
  36       $timestamp = 0;
  37     }
  38
  39     return gmdate('D, d M Y H:i:s', $timestamp) . ' GMT';
  40   }
  41
  42   public static function str_to_gmdate($date)
  43   {
  44     $timestamp = strtotime($date);
  45     if (FALSE === $timestamp) {
  46       $timestamp = 0;
  47     }
  48
  49     return Tweeper::epoch_to_gmdate($timestamp);
  50   }
  51
  52   private static function get_contents($url)
  53   {
  54     $ch = curl_init($url);
  55     curl_setopt_array($ch, array(
  56       CURLOPT_HEADER => FALSE,
  57       CURLOPT_FOLLOWLOCATION => TRUE,  // follow http redirects to get the real URL
  58       CURLOPT_RETURNTRANSFER => TRUE,
  59       CURLOPT_SSL_VERIFYHOST => FALSE,
  60       CURLOPT_SSL_VERIFYPEER => FALSE,
  61       CURLOPT_HTTPHEADER => array('Accept-language: en'),
  62       CURLOPT_USERAGENT => Tweeper::$USER_AGENT,
  63     ));
  64     $contents = curl_exec($ch);
  65     curl_close($ch);
  66
  67     return $contents;
  68   }
  69
  70   private static function get_info($url)
  71   {
  72     $ch = curl_init($url);
  73     curl_setopt_array($ch, array(
  74       CURLOPT_HEADER => TRUE,
  75       CURLOPT_NOBODY => TRUE,
  76       CURLOPT_FOLLOWLOCATION => TRUE,  // follow http redirects to get the real URL
  77       CURLOPT_RETURNTRANSFER => TRUE,
  78       CURLOPT_SSL_VERIFYHOST => FALSE,
  79       CURLOPT_SSL_VERIFYPEER => FALSE,
  80       CURLOPT_USERAGENT => Tweeper::$USER_AGENT,
  81     ));
  82     curl_exec($ch);
  83     $url_info = curl_getinfo($ch);
  84     curl_close($ch);
  85
  86     return $url_info;
  87   }
  88
  89   public static function generate_enclosure($url)
  90   {
  91     $supported_content_types = array(
  92       "application/ogg",
  93       "audio/aac",
  94       "audio/mp4",
  95       "audio/mpeg",
  96       "audio/ogg",
  97       "audio/vorbis",
  98       "audio/wav",
  99       "audio/webm",
 100       "audio/x-midi",
 101       "image/gif",
 102       "image/jpeg",
 103       "video/avi",
 104       "video/mp4",
 105       "video/mpeg",
 106       "video/ogg",
 107     );
 108
 109     // The RSS specification says that the enclosure element url must be http.
 110     // See http://sourceforge.net/p/feedvalidator/bugs/72/
 111     $http_url = preg_replace("/^https/", "http", $url);
 112
 113     $url_info = Tweeper::get_info($http_url);
 114
 115     $supported = in_array($url_info['content_type'], $supported_content_types);
 116     if (!$supported) {
 117       error_log("Unsupported enclosure content type \"" . $url_info['content_type'] . "\" for URL: " . $url_info['url']);
 118       return '';
 119     }
 120
 121     $dom = new DomDocument();
 122     $enc = $dom->createElement('enclosure');
 123     $enc->setAttribute('url', $url_info['url']);
 124     $enc->setAttribute('length', $url_info['download_content_length']);
 125     $enc->setAttribute('type', $url_info['content_type']);
 126
 127     $dom->appendChild($enc);
 128
 129     return $dom->saveXML($enc);
 130   }
 131
 132   /* Mimic the message from libxml.c::php_libxml_ctx_error_level() */
 133   private function log_xml_error($error) {
 134     $output = "";
 135
 136     switch ($error->level) {
 137     case LIBXML_ERR_WARNING:
 138       $output .= "Warning $error->code: ";
 139       break;
 140     case LIBXML_ERR_ERROR:
 141       $output .= "Error $error->code: ";
 142       break;
 143     case LIBXML_ERR_FATAL:
 144       $output .= "Fatal Error $error->code: ";
 145       break;
 146     }
 147
 148     $output .= trim($error->message);
 149
 150     if ($error->file) {
 151       $output .= " in $error->file";
 152     } else {
 153       $output .= " in Entity,";
 154     }
 155
 156     $output .=" line $error->line";
 157
 158     error_log($output);
 159   }
 160
 161   private function load_stylesheet($host) {
 162     $stylesheet = "file://" . __DIR__ . "/rss_converter_" . $host . ".xsl";
 163     if (FALSE === file_exists($stylesheet)) {
 164       trigger_error("Conversion to RSS not supported for $host ($stylesheet not found)", E_USER_ERROR);
 165       return NULL;
 166     }
 167
 168     $stylesheet_contents = $this->get_contents($stylesheet);
 169
 170     $xslDoc = new DOMDocument();
 171     $xslDoc->loadXML($stylesheet_contents);
 172
 173     $xsltProcessor = new XSLTProcessor();
 174     $xsltProcessor->registerPHPFunctions();
 175     $xsltProcessor->setParameter('', 'generateEnclosure', $this->generate_enclosure);
 176     $xsltProcessor->importStylesheet($xslDoc);
 177
 178     return $xsltProcessor;
 179   }
 180
 181   private function json_to_xml($html, $json_match_expr, $rootName) {
 182     // pre-process, convert json to XML
 183     $ret = preg_match($json_match_expr, $html, $matches);
 184     if ($ret !== 1) {
 185       trigger_error("Cannot match expression: $json_match_expr\n", E_USER_ERROR);
 186       return NULL;
 187     }
 188
 189     $data = json_decode($matches[1]);
 190     if (!$data) {
 191       return NULL;
 192     }
 193
 194     $serializer_options = array (
 195       'addDecl' => TRUE,
 196       'encoding' => "UTF-8",
 197       'indent' => '  ',
 198       'rootName' => $rootName,
 199     );
 200
 201     $serializer = new XML_Serializer($serializer_options);
 202
 203     $status = $serializer->serialize($data);
 204     if (PEAR::isError($status)) {
 205       trigger_error($status->getMessage(), E_USER_ERROR);
 206       return NULL;
 207     }
 208
 209     return $serializer->getSerializedData();
 210   }
 211
 212   private function get_xml_instagram_com($html) {
 213     return $this->json_to_xml($html, '/window._sharedData = (.*);/', 'instagram');
 214   }
 215
 216   private function preprocess_html_facebook_com($html) {
 217     $html = str_replace('<!--', '', $html);
 218     $html = str_replace('-->', '', $html);
 219     return $html;
 220   }
 221
 222   private function html_to_xml($html, $host) {
 223     $xmlDoc = new DOMDocument();
 224
 225     // Handle warnings and errors when loading invalid HTML.
 226     $xml_errors_value = libxml_use_internal_errors(true);
 227
 228     // If there is a host-specific method to get the xml data, use it!
 229     $get_xml_host_method = 'get_xml_' . str_replace(".", "_", $host);
 230     if (method_exists($this, $get_xml_host_method)) {
 231       $xml_data = call_user_func_array(array($this, $get_xml_host_method), array($html));
 232       $xmlDoc->loadXML($xml_data);
 233     } else {
 234       $xmlDoc->loadHTML($html);
 235     }
 236
 237     foreach (libxml_get_errors() as $xml_error) {
 238       $this->log_xml_error($xml_error);
 239     }
 240     libxml_clear_errors();
 241     libxml_use_internal_errors($xml_errors_value);
 242
 243     return $xmlDoc;
 244   }
 245
 246   public function tweep($src_url) {
 247     $url = parse_url($src_url);
 248     if (FALSE === $url || empty($url["host"])) {
 249       trigger_error("Invalid url: $src_url", E_USER_ERROR);
 250       return NULL;
 251     }
 252
 253     // Strip the leading www. to be more forgiving on input URLs
 254     $host = preg_replace('/^www\./', '', $url["host"]);
 255
 256     $xsltProcessor = $this->load_stylesheet($host);
 257     if (NULL === $xsltProcessor) {
 258       return NULL;
 259     }
 260
 261     $html = $this->get_contents($src_url);
 262     if (FALSE === $html) {
 263       return NULL;
 264     }
 265
 266     $preprocess_html_host_method = 'preprocess_html_' . str_replace(".", "_", $host);
 267     if (method_exists($this, $preprocess_html_host_method)) {
 268       $html = call_user_func_array(array($this, $preprocess_html_host_method), array($html));
 269     }
 270
 271     $xmlDoc = $this->html_to_xml($html, $host);
 272     if (NULL === $xmlDoc) {
 273       return NULL;
 274     }
 275
 276     $output = $xsltProcessor->transformToXML($xmlDoc);
 277
 278     if (FALSE === $output) {
 279       trigger_error('XSL transformation failed.', E_USER_ERROR);
 280       return NULL;
 281     }
 282     return $output;
 283   }
 284 }
 285
 286 function is_cli()
 287 {
 288   return (php_sapi_name() === "cli");
 289 }
 290
 291 function usage($argv)
 292 {
 293   if (is_cli()) {
 294     $usage = "{$argv[0]} [-e|-h|--help] <src_url>\n";
 295   } else {
 296     $usage = htmlentities("{$_SERVER['SCRIPT_NAME']}?src_url=<src_url>&generate_enclosure=<0|1>");
 297   }
 298
 299   return "usage: $usage";
 300 }
 301
 302 function parse_options_cli($argv, $argc)
 303 {
 304   $options = array(
 305     'generate_enclosure' => FALSE
 306   );
 307
 308   if ($argc < 2)
 309     return $options;
 310
 311   $cli_options = getopt("eh", array("help"));
 312   foreach ($cli_options as $opt => $val) {
 313     switch ($opt) {
 314     case 'e':
 315       $options['generate_enclosure'] = TRUE;
 316       break;
 317     case 'h':
 318     case 'help':
 319       echo usage($argv);
 320       exit(0);
 321     default:
 322       fwrite(STDERR, usage($argv));
 323       exit(1);
 324     }
 325   }
 326
 327   $options['src_url'] = $argv[count($cli_options) + 1];
 328
 329   return $options;
 330 }
 331
 332 function parse_options_query_string()
 333 {
 334   $options = array(
 335     'generate_enclosure' => FALSE
 336   );
 337
 338   if (isset($_GET['src_url']))
 339     $options['src_url'] = $_GET['src_url'];
 340
 341   if (isset($_GET['generate_enclosure']))
 342     $options['generate_enclosure'] = $_GET['generate_enclosure'] == 1;
 343
 344   return $options;
 345 }
 346
 347
 348 if (is_cli()) {
 349   $options = parse_options_cli($argv, $argc);
 350   $ERROR_STREAM = fopen('php://stderr', 'w');
 351 } else {
 352   $options = parse_options_query_string();
 353   $ERROR_STREAM = fopen('php://output', 'w');
 354 }
 355
 356 if (!isset($options['src_url'])) {
 357   fwrite($ERROR_STREAM, usage(is_cli() ? $argv : NULL));
 358   exit(1);
 359 }
 360
 361 $tweeper = new Tweeper($options['generate_enclosure']);
 362 echo $tweeper->tweep($options['src_url']);