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