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) 2013-2020  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 = "APIs-Google (+https://developers.google.com/webmasters/APIs-Google.html)";
  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    * @param bool $show_multimedia
  53    *   Enables showing multimedia content (images, videos) directly in the
  54    *   item description (enabled by default). Only some stylesheets supports
  55    *   this functionality (twitter, instagram, dilbert).
  56    * @param bool $verbose_output
  57    *   Enables showing non-fatal errors like XML parsing errors.
  58    */
  59   public function __construct($generate_enclosure = FALSE, $show_usernames = TRUE, $show_multimedia = TRUE, $verbose_output = TRUE) {
  60     $this->generate_enclosure = $generate_enclosure;
  61     $this->show_usernames = $show_usernames;
  62     $this->show_multimedia = $show_multimedia;
  63     $this->verbose_output = $verbose_output;
  64   }
  65
  66   /**
  67    * Convert numeric Epoch to the date format expected in a RSS document.
  68    */
  69   public static function epochToRssDate($timestamp) {
  70     if (!is_numeric($timestamp) || is_nan($timestamp)) {
  71       $timestamp = 0;
  72     }
  73
  74     return gmdate(DATE_RSS, $timestamp);
  75   }
  76
  77   /**
  78    * Convert generic date string to the date format expected in a RSS document.
  79    */
  80   public static function strToRssDate($date) {
  81     $timestamp = strtotime($date);
  82     if (FALSE === $timestamp) {
  83       $timestamp = 0;
  84     }
  85
  86     return Tweeper::epochToRssDate($timestamp);
  87   }
  88
  89   /**
  90    * Convert string to UpperCamelCase.
  91    */
  92   public static function toUpperCamelCase($str, $delim = ' ') {
  93     $str_upper = ucwords($str, $delim);
  94     $str_camel_case = str_replace($delim, '', $str_upper);
  95     return $str_camel_case;
  96   }
  97
  98   /**
  99    * Perform a cURL session multiple times when it fails with a timeout.
 100    *
 101    * @param resource $ch
 102    *   a cURL session handle.
 103    */
 104   private static function curlExec($ch) {
 105     $ret = FALSE;
 106     $attempt = 0;
 107     do {
 108       $ret = curl_exec($ch);
 109       if (FALSE === $ret) {
 110         trigger_error(curl_error($ch), E_USER_WARNING);
 111       }
 112     } while (curl_errno($ch) == CURLE_OPERATION_TIMEDOUT && ++$attempt < Tweeper::$maxConnectionRetries);
 113
 114     $response_code = curl_getinfo($ch, CURLINFO_RESPONSE_CODE);
 115     if (FALSE === $response_code) {
 116       trigger_error(curl_error($ch), E_USER_WARNING);
 117       return FALSE;
 118     }
 119
 120     if ($response_code >= 400) {
 121       trigger_error("HTTP reponse code $response_code", E_USER_WARNING);
 122       return FALSE;
 123     }
 124
 125     return $ret;
 126   }
 127
 128   /**
 129    * Get the contents from a URL.
 130    */
 131   private static function getUrlContents($url, $user_agent = NULL) {
 132     $ch = curl_init($url);
 133     curl_setopt_array($ch, [
 134       CURLOPT_HEADER => FALSE,
 135       CURLOPT_CONNECTTIMEOUT => Tweeper::$maxConnectionTimeout,
 136       // Follow http redirects to get the real URL.
 137       CURLOPT_FOLLOWLOCATION => TRUE,
 138       CURLOPT_COOKIEFILE => "",
 139       CURLOPT_RETURNTRANSFER => TRUE,
 140       CURLOPT_HTTPHEADER => ['Accept-language: en'],
 141       CURLOPT_USERAGENT => isset($user_agent) ? $user_agent : Tweeper::$userAgent,
 142     ]);
 143     $contents = Tweeper::curlExec($ch);
 144     curl_close($ch);
 145
 146     return $contents;
 147   }
 148
 149   /**
 150    * Get the headers from a URL.
 151    */
 152   private static function getUrlInfo($url, $user_agent = NULL) {
 153     $ch = curl_init($url);
 154     curl_setopt_array($ch, [
 155       CURLOPT_HEADER => TRUE,
 156       CURLOPT_NOBODY => TRUE,
 157       CURLOPT_CONNECTTIMEOUT => Tweeper::$maxConnectionTimeout,
 158       // Follow http redirects to get the real URL.
 159       CURLOPT_FOLLOWLOCATION => TRUE,
 160       CURLOPT_RETURNTRANSFER => TRUE,
 161       CURLOPT_USERAGENT => isset($user_agent) ? $user_agent : Tweeper::$userAgent,
 162     ]);
 163
 164     $ret = Tweeper::curlExec($ch);
 165     if (FALSE === $ret) {
 166       curl_close($ch);
 167       return FALSE;
 168     }
 169
 170     $url_info = curl_getinfo($ch);
 171     if (FALSE === $url_info) {
 172       trigger_error(curl_error($ch), E_USER_WARNING);
 173     }
 174     curl_close($ch);
 175
 176     return $url_info;
 177   }
 178
 179   /**
 180    * Generate an RSS <enclosure/> element.
 181    */
 182   public static function generateEnclosure($url) {
 183     $supported_content_types = [
 184       "application/octet-stream",
 185       "application/ogg",
 186       "application/pdf",
 187       "audio/aac",
 188       "audio/mp4",
 189       "audio/mpeg",
 190       "audio/ogg",
 191       "audio/vorbis",
 192       "audio/wav",
 193       "audio/webm",
 194       "audio/x-midi",
 195       "image/gif",
 196       "image/jpeg",
 197       "image/png",
 198       "video/avi",
 199       "video/mp4",
 200       "video/mpeg",
 201       "video/ogg",
 202     ];
 203
 204     $url_info = Tweeper::getUrlInfo($url);
 205     if (FALSE === $url_info) {
 206       trigger_error("Failed to retrieve info for URL: " . $url, E_USER_WARNING);
 207       return '';
 208     }
 209
 210     $supported = in_array($url_info['content_type'], $supported_content_types);
 211     if (!$supported) {
 212       trigger_error("Unsupported enclosure content type \"" . $url_info['content_type'] . "\" for URL: " . $url_info['url'], E_USER_WARNING);
 213       return '';
 214     }
 215
 216     // The RSS specification says that the enclosure element URL must be http.
 217     // See http://sourceforge.net/p/feedvalidator/bugs/72/
 218     $http_url = preg_replace("/^https/", "http", $url_info['url']);
 219
 220     // When the server does not provide a Content-Length header,
 221     // curl_getinfo() would return a negative value for
 222     // "download_content_length", however RSS recommends to use 0 when the
 223     // enclosure's size cannot be determined.
 224     // See: https://www.feedvalidator.org/docs/error/UseZeroForUnknown.html
 225     $length = max($url_info['download_content_length'], 0);
 226
 227     $dom = new DOMDocument();
 228     $enc = $dom->createElement('enclosure');
 229     $enc->setAttribute('url', $http_url);
 230     $enc->setAttribute('length', $length);
 231     $enc->setAttribute('type', $url_info['content_type']);
 232
 233     return $enc;
 234   }
 235
 236   /**
 237    * Mimic the message from libxml.c::php_libxml_ctx_error_level()
 238    */
 239   private static function logXmlError($error) {
 240     $output = "";
 241
 242     switch ($error->level) {
 243       case LIBXML_ERR_WARNING:
 244         $output .= "Warning $error->code: ";
 245         break;
 246
 247       case LIBXML_ERR_ERROR:
 248         $output .= "Error $error->code: ";
 249         break;
 250
 251       case LIBXML_ERR_FATAL:
 252         $output .= "Fatal Error $error->code: ";
 253         break;
 254     }
 255
 256     $output .= trim($error->message);
 257
 258     if ($error->file) {
 259       $output .= " in $error->file";
 260     }
 261     else {
 262       $output .= " in Entity,";
 263     }
 264
 265     $output .= " line $error->line";
 266
 267     trigger_error($output, E_USER_WARNING);
 268   }
 269
 270   /**
 271    * Convert json to XML.
 272    */
 273   private static function jsonToXml($json, $root_node_name) {
 274     // Apparently the ObjectNormalizer used afterwards is not able to handle
 275     // the stdClass object created by json_decode() with the default setting
 276     // $assoc = false; so use $assoc = true.
 277     $data = json_decode($json, $assoc = TRUE);
 278     if (!$data) {
 279       return NULL;
 280     }
 281
 282     $encoder = new XmlEncoder();
 283     $normalizer = new ObjectNormalizer();
 284     $serializer = new Serializer([$normalizer], [$encoder]);
 285
 286     $serializer_options = [
 287       'xml_encoding' => "UTF-8",
 288       'xml_format_output' => TRUE,
 289       'xml_root_node_name' => $root_node_name,
 290     ];
 291
 292     $xml_data = $serializer->serialize($data, 'xml', $serializer_options);
 293     if (!$xml_data) {
 294       trigger_error("Cannot serialize data", E_USER_WARNING);
 295       return NULL;
 296     }
 297
 298     return $xml_data;
 299   }
 300
 301   /**
 302    * Convert the Instagram content to XML.
 303    */
 304   private function getXmlInstagramCom($html) {
 305     // Extract the json data from the html code.
 306     $json_match_expr = '/window._sharedData = (.*);/';
 307     $ret = preg_match($json_match_expr, $html, $matches);
 308     if ($ret !== 1) {
 309       trigger_error("Cannot match expression: $json_match_expr\n", E_USER_WARNING);
 310       return NULL;
 311     }
 312
 313     $data = json_decode($matches[1], $assoc = TRUE);
 314
 315     // The "qe" object contains elements which will result in invalid XML
 316     // element names, so remove it.
 317     unset($data["qe"]);
 318
 319     // The "knobs" object contains elements with undefined namespaces, so
 320     // remove it to silence an error message.
 321     unset($data["knobs"]);
 322
 323     // Stop here in case Instagram redirected to the login page, this can
 324     // happen when too many consecutive requests have been made from the same
 325     // IP.
 326     if (array_key_exists("LoginAndSignupPage", $data["entry_data"])) {
 327       trigger_error("Cannot open instagram page: redirected to Login page.\n", E_USER_WARNING);
 328       return NULL;
 329     }
 330
 331     $json = json_encode($data);
 332
 333     return Tweeper::jsonToXml($json, 'instagram');
 334   }
 335
 336   /**
 337    * Make the Facebook HTML processable.
 338    */
 339   private function preprocessHtmlFacebookCom($html) {
 340     $html = str_replace('<!--', '', $html);
 341     $html = str_replace('-->', '', $html);
 342     return $html;
 343   }
 344
 345   /**
 346    * Convert the HTML retrieved from the site to XML.
 347    */
 348   private function htmlToXml($html, $host) {
 349     $xmlDoc = new DOMDocument();
 350
 351     // Handle warnings and errors when loading invalid HTML.
 352     $xml_errors_value = libxml_use_internal_errors(TRUE);
 353
 354     // If there is a host-specific method to get the XML data, use it!
 355     $get_xml_host_method = 'getXml' . Tweeper::toUpperCamelCase($host, '.');
 356     if (method_exists($this, $get_xml_host_method)) {
 357       $xml_data = call_user_func_array([$this, $get_xml_host_method], [$html]);
 358       if (NULL === $xml_data) {
 359         return NULL;
 360       }
 361       $xmlDoc->loadXML($xml_data);
 362     }
 363     else {
 364       $xmlDoc->loadHTML($html);
 365     }
 366
 367     if ($this->verbose_output) {
 368       foreach (libxml_get_errors() as $xml_error) {
 369         Tweeper::logXmlError($xml_error);
 370       }
 371     }
 372     libxml_clear_errors();
 373     libxml_use_internal_errors($xml_errors_value);
 374
 375     return $xmlDoc;
 376   }
 377
 378   /**
 379    * Load a stylesheet if the web site is supported.
 380    */
 381   private function loadStylesheet($host) {
 382     $stylesheet = "file://" . __DIR__ . "/rss_converter_" . $host . ".xsl";
 383     if (FALSE === file_exists($stylesheet)) {
 384       trigger_error("Conversion to RSS not supported for $host ($stylesheet not found)", E_USER_WARNING);
 385       return NULL;
 386     }
 387
 388     $stylesheet_contents = file_get_contents($stylesheet);
 389     if (FALSE === $stylesheet_contents) {
 390       trigger_error("Cannot open $stylesheet", E_USER_WARNING);
 391       return NULL;
 392     }
 393
 394     $xslDoc = new DOMDocument();
 395     $xslDoc->loadXML($stylesheet_contents);
 396
 397     $xsltProcessor = new XSLTProcessor();
 398     $xsltProcessor->registerPHPFunctions();
 399     $xsltProcessor->setParameter('', 'generate-enclosure', $this->generate_enclosure);
 400     $xsltProcessor->setParameter('', 'show-usernames', $this->show_usernames);
 401     $xsltProcessor->setParameter('', 'show-multimedia', $this->show_multimedia);
 402     $xsltProcessor->importStylesheet($xslDoc);
 403
 404     return $xsltProcessor;
 405   }
 406
 407   /**
 408    * Convert the site content to RSS.
 409    */
 410   public function tweep($src_url, $host = NULL, $validate_scheme = TRUE) {
 411     $url = parse_url($src_url);
 412     if (FALSE === $url) {
 413       trigger_error("Invalid URL: $src_url", E_USER_WARNING);
 414       return NULL;
 415     }
 416
 417     if (TRUE === $validate_scheme) {
 418       $scheme = $url["scheme"];
 419       if (!in_array($scheme, ["http", "https"])) {
 420         trigger_error("unsupported scheme: $scheme", E_USER_WARNING);
 421         return NULL;
 422       }
 423     }
 424
 425     // If the host is not given derive it from the URL.
 426     if (NULL === $host) {
 427       if (empty($url["host"])) {
 428         trigger_error("Invalid host in URL: $src_url", E_USER_WARNING);
 429         return NULL;
 430       }
 431       // Strip the leading www. to be more forgiving on input URLs.
 432       $host = preg_replace('/^www\./', '', $url["host"]);
 433     }
 434
 435     $xsltProcessor = $this->loadStylesheet($host);
 436     if (NULL === $xsltProcessor) {
 437       return NULL;
 438     }
 439
 440     $html = Tweeper::getUrlContents($src_url);
 441     if (FALSE === $html) {
 442       trigger_error("Failed to retrieve $src_url", E_USER_WARNING);
 443       return NULL;
 444     }
 445
 446     $preprocess_html_host_method = 'preprocessHtml' . Tweeper::toUpperCamelCase($host, '.');
 447     if (method_exists($this, $preprocess_html_host_method)) {
 448       $html = call_user_func_array([$this, $preprocess_html_host_method], [$html]);
 449     }
 450
 451     $xmlDoc = $this->htmlToXml($html, $host);
 452     if (NULL === $xmlDoc) {
 453       return NULL;
 454     }
 455
 456     $output = $xsltProcessor->transformToXML($xmlDoc);
 457     if (FALSE === $output) {
 458       trigger_error('XSL transformation failed.', E_USER_WARNING);
 459       return NULL;
 460     }
 461
 462     return $output;
 463   }
 464
 465 }