only enclosify certain mimetypes, use same user agent
[tweeper.git] / tweeper.php
1 <?php
2 /*
3  * tweeper - a Twitter to RSS web scraper
4  * 
5  * Copyright (C) 2013  Antonio Ospite <ospite@studenti.unina.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 date_default_timezone_set('UTC');
22
23 define('USER_AGENT', 'Mozilla/5.0 (Windows NT 6.1; rv:22.0) Gecko/20130405 Firefox/22.0');
24
25 function str_to_gmdate($date)
26 {
27   $timestamp = strtotime($date);
28   return epoch_to_gmdate($timestamp);
29 }
30
31 function epoch_to_gmdate($timestamp)
32 {
33   return gmdate('D, d M Y H:i:s', $timestamp) . ' GMT';
34 }
35
36 function get_url_info($url)
37 {
38   $ch = curl_init($url);
39   curl_setopt_array($ch, array(
40       CURLOPT_HEADER => TRUE,
41       CURLOPT_NOBODY => TRUE,
42       CURLOPT_FOLLOWLOCATION => TRUE,  // follow http redirects to get the real URL
43       CURLOPT_RETURNTRANSFER => TRUE,
44       CURLOPT_SSL_VERIFYHOST => FALSE,
45       CURLOPT_SSL_VERIFYPEER => FALSE,
46       CURLOPT_USERAGENT => USER_AGENT,
47   ));
48   curl_exec($ch);
49   $url_info = curl_getinfo($ch);;
50   curl_close($ch);
51
52   return $url_info;
53 }
54
55 function generate_enclosure($url)
56 {
57   $url_info = get_url_info($url);
58
59   switch($url_info['content_type']) {
60     case "video/avi":
61     case "image/gif":
62     case "image/jpeg":
63     case "audio/x-midi":
64     case "audio/mpeg":
65     case "video/mpeg":
66     case "audio/vorbis":
67     case "application/ogg":
68     case "audio/webm":
69     case "audio/aac":
70     case "audio/mp4":
71     case "audio/wav":
72     case "video/mp4":
73     case "video/ogg":
74       $dom = new DomDocument();
75       $enc = $dom->createElement('enclosure');
76       $enc->setAttribute( 'url', $url_info['url']);
77       $enc->setAttribute( 'length', $url_info['download_content_length']);
78       $enc->setAttribute( 'type', $url_info['content_type']);
79
80       $dom->appendChild($enc);
81
82       return $dom->saveXML($enc);
83     default:
84         return;
85   }
86 }
87
88
89 class Tweeper {
90
91   public function __construct($stylesheet) {
92     $stylesheet_contents = $this->get_contents($stylesheet);
93
94     $xslDoc = new DOMDocument();
95     $xslDoc->loadXML($stylesheet_contents);
96
97     $this->xsltProcessor = new XSLTProcessor();
98     $this->xsltProcessor->registerPHPFunctions();
99     $this->xsltProcessor->importStylesheet($xslDoc);
100   }
101
102   private function get_contents($uri) {
103     # https://www.wjsams.com/c/docs/Wiki/Php-HowToSetUserAgentOnFileGetContents
104     $opts = array(
105       'http' => array(
106         'method' => "GET",
107         'header' => join(array(
108           "Accept-language: en\r\n",
109           "User-Agent: {" + USER_AGENT + "}\r\n"
110         ))
111       )
112     );
113
114     $context = stream_context_create($opts);
115     $contents = file_get_contents($uri, false, $context);
116     return $contents;
117   }
118
119   public function tweep($uri) {
120     $html = $this->get_contents($uri);
121
122     $xmlDoc = new DOMDocument();
123     $xmlDoc->loadHTML($html);
124
125     $output = $this->xsltProcessor->transformToXML($xmlDoc);
126
127     if (FALSE === $output) {
128       trigger_error('XSL transformation failed.', E_USER_ERROR);
129       return NULL;
130     }
131     return $output;
132   }
133 }
134
135 function usage($argv)
136 {
137   if (php_sapi_name() != 'cli')
138     $usage = htmlentities("{$_SERVER['SCRIPT_NAME']}?src_url=<src_url>");
139   else
140     $usage = "{$argv[0]} <src_url>\n";
141
142   return "usage: $usage";
143 }
144
145 if (isset($_GET['src_url'])) {
146   $src_url = $_GET['src_url'];
147 } else if (isset($argv[1])) {
148   if ($argv[1] == "-h" || $argv[1] == "--help") {
149     echo usage($argv);
150     return 0;
151   }
152   $src_url = $argv[1];
153 } else {
154   die(usage($argv));
155 }
156
157 $url = parse_url($src_url);
158 if (FALSE === $url || empty($url["host"]))
159   die("Invalid url: $src_url\n");
160
161 $stylesheet = __DIR__ . "/rss_converter_" . $url["host"] . ".xsl";
162 if (FALSE === file_exists($stylesheet))
163   die("Conversion to RSS not supported: {$url["host"]}\n");
164
165 $tweeper = new Tweeper($stylesheet);
166 echo $tweeper->tweep($src_url);