cd2c3bab8d4d07b15bc974224735758031814bc6
[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 function str_to_gmdate($date)
24 {
25   $timestamp = strtotime($date);
26   return epoch_to_gmdate($timestamp);
27 }
28
29 function epoch_to_gmdate($timestamp)
30 {
31   return gmdate('D, d M Y H:i:s', $timestamp) . ' GMT';
32 }
33
34 function get_url_info($url)
35 {
36   $ch = curl_init($url);
37   curl_setopt_array($ch, array(
38       CURLOPT_HEADER => TRUE,          // get the header
39       CURLOPT_NOBODY => TRUE,          // don't donwload body
40       CURLOPT_FOLLOWLOCATION => TRUE,  // the magic sauce
41       CURLOPT_RETURNTRANSFER => TRUE,
42       CURLOPT_SSL_VERIFYHOST => FALSE, // suppress certain SSL errors
43       CURLOPT_SSL_VERIFYPEER => FALSE,
44   ));
45   curl_exec($ch);
46   $url_info = curl_getinfo($ch);;
47   curl_close($ch);
48
49   return $url_info;
50 }
51
52 function generate_enclosure($url) {
53   $url_info = get_url_info($url);
54
55   $dom = new DomDocument();
56   $enc = $dom->createElement('enclosure');
57   $enc->setAttribute( 'url', $url_info['url']);
58   $enc->setAttribute( 'length', $url_info['download_content_length']);
59   $enc->setAttribute( 'type', $url_info['content_type']);
60
61   $dom->appendChild($enc);
62
63   return $dom->saveXML($enc);
64 }
65
66
67 class Tweeper {
68
69   private $USER_AGENT = "Mozilla/5.0 (Windows NT 6.1; rv:22.0) Gecko/20130405 Firefox/22.0";
70
71   public function __construct($stylesheet) {
72     $stylesheet_contents = $this->get_contents($stylesheet);
73
74     $xslDoc = new DOMDocument();
75     $xslDoc->loadXML($stylesheet_contents);
76
77     $this->xsltProcessor = new XSLTProcessor();
78     $this->xsltProcessor->registerPHPFunctions();
79     $this->xsltProcessor->importStylesheet($xslDoc);
80   }
81
82   private function get_contents($uri) {
83     # https://www.wjsams.com/c/docs/Wiki/Php-HowToSetUserAgentOnFileGetContents
84     $opts = array(
85       'http' => array(
86         'method' => "GET",
87         'header' => join(array(
88           "Accept-language: en\r\n",
89           "User-Agent: {$this->USER_AGENT}\r\n"
90         ))
91       )
92     );
93
94     $context = stream_context_create($opts);
95     $contents = file_get_contents($uri, false, $context);
96     return $contents;
97   }
98
99   public function tweep($uri) {
100     $html = $this->get_contents($uri);
101
102     $xmlDoc = new DOMDocument();
103     $xmlDoc->loadHTML($html);
104
105     $output = $this->xsltProcessor->transformToXML($xmlDoc);
106
107     if (FALSE === $output) {
108       trigger_error('XSL transformation failed.', E_USER_ERROR);
109       return NULL;
110     }
111     return $output;
112   }
113 }
114
115 function usage($argv)
116 {
117   if (php_sapi_name() != 'cli')
118     $usage = htmlentities("{$_SERVER['SCRIPT_NAME']}?src_url=<src_url>");
119   else
120     $usage = "{$argv[0]} <src_url>\n";
121
122   return "usage: $usage";
123 }
124
125 if (isset($_GET['src_url'])) {
126   $src_url = $_GET['src_url'];
127 } else if (isset($argv[1])) {
128   if ($argv[1] == "-h" || $argv[1] == "--help") {
129     echo usage($argv);
130     return 0;
131   }
132   $src_url = $argv[1];
133 } else {
134   die(usage($argv));
135 }
136
137 $url = parse_url($src_url);
138 if (FALSE === $url || empty($url["host"]))
139   die("Invalid url: $src_url\n");
140
141 $stylesheet = __DIR__ . "/rss_converter_" . $url["host"] . ".xsl";
142 if (FALSE === file_exists($stylesheet))
143   die("Conversion to RSS not supported: {$url["host"]}\n");
144
145 $tweeper = new Tweeper($stylesheet);
146 echo $tweeper->tweep($src_url);