tweeper.php

   1 <?php
   2 /**
   3  * @file
   4  * Tweeper - a Twitter to RSS web scraper.
   5  *
   6  * Copyright (C) 2013-2015  Antonio Ospite <ao2@ao2.it>
   7  *
   8  * This program is free software: you can redistribute it and/or modify
   9  * it under the terms of the GNU General Public License as published by
  10  * the Free Software Foundation, either version 3 of the License, or
  11  * (at your option) any later version.
  12  *
  13  * This program is distributed in the hope that it will be useful,
  14  * but WITHOUT ANY WARRANTY; without even the implied warranty of
  15  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  16  * GNU General Public License for more details.
  17  *
  18  * You should have received a copy of the GNU General Public License
  19  * along with this program.  If not, see <http://www.gnu.org/licenses/>.
  20  */
  21
  22 require_once 'Symfony/Component/Serializer/autoload.php';
  23
  24 use Symfony\Component\Serializer\Serializer;
  25 use Symfony\Component\Serializer\Encoder\XmlEncoder;
  26 use Symfony\Component\Serializer\Normalizer\ObjectNormalizer;
  27
  28 date_default_timezone_set('UTC');
  29
  30 /**
  31  * Scrape supported websites and perform conversion to RSS.
  32  */
  33 class Tweeper {
  34
  35   private static $userAgent = "Mozilla/5.0 (Windows NT 6.1; rv:22.0) Gecko/20130405 Firefox/22.0";
  36
  37   /**
  38    * Constructor sets up {@link $generate_enclosure}.
  39    */
  40   public function __construct($generate_enclosure = FALSE) {
  41     $this->generate_enclosure = $generate_enclosure;
  42   }
  43
  44   /**
  45    * Convert numeric Epoch to the date format expected in a RSS document.
  46    */
  47   public static function epochToGmdate($timestamp) {
  48     if (!is_numeric($timestamp) || is_nan($timestamp)) {
  49       $timestamp = 0;
  50     }
  51
  52     return gmdate('D, d M Y H:i:s', $timestamp) . ' GMT';
  53   }
  54
  55   /**
  56    * Convert generic date string to the date format expected in a RSS document.
  57    */
  58   public static function strToGmdate($date) {
  59     $timestamp = strtotime($date);
  60     if (FALSE === $timestamp) {
  61       $timestamp = 0;
  62     }
  63
  64     return Tweeper::epochToGmdate($timestamp);
  65   }
  66
  67   /**
  68    * Get the contents from a URL.
  69    */
  70   private static function getUrlContents($url) {
  71     $ch = curl_init($url);
  72     curl_setopt_array($ch, array(
  73       CURLOPT_HEADER => FALSE,
  74       // Follow http redirects to get the real URL.
  75       CURLOPT_FOLLOWLOCATION => TRUE,
  76       CURLOPT_RETURNTRANSFER => TRUE,
  77       CURLOPT_SSL_VERIFYHOST => FALSE,
  78       CURLOPT_SSL_VERIFYPEER => FALSE,
  79       CURLOPT_HTTPHEADER => array('Accept-language: en'),
  80       CURLOPT_USERAGENT => Tweeper::$userAgent,
  81     ));
  82     $contents = curl_exec($ch);
  83     curl_close($ch);
  84
  85     return $contents;
  86   }
  87
  88   /**
  89    * Get the headers from a URL.
  90    */
  91   private static function getUrlInfo($url) {
  92     $ch = curl_init($url);
  93     curl_setopt_array($ch, array(
  94       CURLOPT_HEADER => TRUE,
  95       CURLOPT_NOBODY => TRUE,
  96       // Follow http redirects to get the real URL.
  97       CURLOPT_FOLLOWLOCATION => TRUE,
  98       CURLOPT_RETURNTRANSFER => TRUE,
  99       CURLOPT_SSL_VERIFYHOST => FALSE,
 100       CURLOPT_SSL_VERIFYPEER => FALSE,
 101       CURLOPT_USERAGENT => Tweeper::$userAgent,
 102     ));
 103     curl_exec($ch);
 104     $url_info = curl_getinfo($ch);
 105     curl_close($ch);
 106
 107     return $url_info;
 108   }
 109
 110   /**
 111    * Generate an RSS <enclosure/> element.
 112    */
 113   public static function generateEnclosure($url) {
 114     $supported_content_types = array(
 115       "application/ogg",
 116       "audio/aac",
 117       "audio/mp4",
 118       "audio/mpeg",
 119       "audio/ogg",
 120       "audio/vorbis",
 121       "audio/wav",
 122       "audio/webm",
 123       "audio/x-midi",
 124       "image/gif",
 125       "image/jpeg",
 126       "video/avi",
 127       "video/mp4",
 128       "video/mpeg",
 129       "video/ogg",
 130     );
 131
 132     // The RSS specification says that the enclosure element URL must be http.
 133     // See http://sourceforge.net/p/feedvalidator/bugs/72/
 134     $http_url = preg_replace("/^https/", "http", $url);
 135
 136     $url_info = Tweeper::getUrlInfo($http_url);
 137
 138     $supported = in_array($url_info['content_type'], $supported_content_types);
 139     if (!$supported) {
 140       error_log("Unsupported enclosure content type \"" . $url_info['content_type'] . "\" for URL: " . $url_info['url']);
 141       return '';
 142     }
 143
 144     $dom = new DomDocument();
 145     $enc = $dom->createElement('enclosure');
 146     $enc->setAttribute('url', $url_info['url']);
 147     $enc->setAttribute('length', $url_info['download_content_length']);
 148     $enc->setAttribute('type', $url_info['content_type']);
 149
 150     $dom->appendChild($enc);
 151
 152     return $dom->saveXML($enc);
 153   }
 154
 155   /**
 156    * Mimic the message from libxml.c::php_libxml_ctx_error_level()
 157    */
 158   private function logXmlError($error) {
 159     $output = "";
 160
 161     switch ($error->level) {
 162       case LIBXML_ERR_WARNING:
 163         $output .= "Warning $error->code: ";
 164         break;
 165
 166       case LIBXML_ERR_ERROR:
 167         $output .= "Error $error->code: ";
 168         break;
 169
 170       case LIBXML_ERR_FATAL:
 171         $output .= "Fatal Error $error->code: ";
 172         break;
 173     }
 174
 175     $output .= trim($error->message);
 176
 177     if ($error->file) {
 178       $output .= " in $error->file";
 179     }
 180     else {
 181       $output .= " in Entity,";
 182     }
 183
 184     $output .= " line $error->line";
 185
 186     error_log($output);
 187   }
 188
 189   /**
 190    * Load a stylesheet if the web site is supported.
 191    */
 192   private function loadStylesheet($host) {
 193     $stylesheet = "file://" . __DIR__ . "/rss_converter_" . $host . ".xsl";
 194     if (FALSE === file_exists($stylesheet)) {
 195       trigger_error("Conversion to RSS not supported for $host ($stylesheet not found)", E_USER_ERROR);
 196       return NULL;
 197     }
 198
 199     $stylesheet_contents = $this->getUrlContents($stylesheet);
 200
 201     $xslDoc = new DOMDocument();
 202     $xslDoc->loadXML($stylesheet_contents);
 203
 204     $xsltProcessor = new XSLTProcessor();
 205     $xsltProcessor->registerPHPFunctions();
 206     $xsltProcessor->setParameter('', 'generate-enclosure', $this->generate_enclosure);
 207     $xsltProcessor->importStylesheet($xslDoc);
 208
 209     return $xsltProcessor;
 210   }
 211
 212   /**
 213    * Convert json to xml.
 214    */
 215   private function jsonToXml($json, $root_node_name) {
 216     // Apparently the ObjectNormalizer used afterwards is not able to handle
 217     // the stdClass object created by json_decode() with the default setting
 218     // $assoc = false; so use $assoc = true.
 219     $data = json_decode($json, $assoc = TRUE);
 220     if (!$data) {
 221       return NULL;
 222     }
 223
 224     $encoder = new XmlEncoder();
 225     $normalizer = new ObjectNormalizer();
 226     $serializer = new Serializer(array($normalizer), array($encoder));
 227
 228     $serializer_options = array(
 229       'xml_encoding' => "UTF-8",
 230       'xml_format_output' => TRUE,
 231       'xml_root_node_name' => $root_node_name,
 232     );
 233
 234     $xml_data = $serializer->serialize($data, 'xml', $serializer_options);
 235     if (!$xml_data) {
 236       trigger_error("Cannot serialize data", E_USER_ERROR);
 237       return NULL;
 238     }
 239
 240     return $xml_data;
 241   }
 242
 243   /**
 244    * Convert the Instagram content to XML.
 245    */
 246   private function get_xml_instagram_com($html) {
 247     // Extract the json data from the html code.
 248     $json_match_expr = '/window._sharedData = (.*);/';
 249     $ret = preg_match($json_match_expr, $html, $matches);
 250     if ($ret !== 1) {
 251       trigger_error("Cannot match expression: $json_match_expr\n", E_USER_ERROR);
 252       return NULL;
 253     }
 254
 255     return $this->jsonToXml($matches[1], 'instagram');
 256   }
 257
 258   /**
 259    * Make the Facebook HTML processable.
 260    */
 261   private function preprocess_html_facebook_com($html) {
 262     $html = str_replace('<!--', '', $html);
 263     $html = str_replace('-->', '', $html);
 264     return $html;
 265   }
 266
 267   /**
 268    * Convert the HTML retrieved from the site to XML.
 269    */
 270   private function htmlToXml($html, $host) {
 271     $xmlDoc = new DOMDocument();
 272
 273     // Handle warnings and errors when loading invalid HTML.
 274     $xml_errors_value = libxml_use_internal_errors(TRUE);
 275
 276     // If there is a host-specific method to get the xml data, use it!
 277     $get_xml_host_method = 'get_xml_' . str_replace(".", "_", $host);
 278     if (method_exists($this, $get_xml_host_method)) {
 279       $xml_data = call_user_func_array(array($this, $get_xml_host_method), array($html));
 280       $xmlDoc->loadXML($xml_data);
 281     }
 282     else {
 283       $xmlDoc->loadHTML($html);
 284     }
 285
 286     foreach (libxml_get_errors() as $xml_error) {
 287       $this->logXmlError($xml_error);
 288     }
 289     libxml_clear_errors();
 290     libxml_use_internal_errors($xml_errors_value);
 291
 292     return $xmlDoc;
 293   }
 294
 295   /**
 296    * Convert the site content to RSS.
 297    */
 298   public function tweep($src_url) {
 299     $url = parse_url($src_url);
 300     if (FALSE === $url || empty($url["host"])) {
 301       trigger_error("Invalid URL: $src_url", E_USER_ERROR);
 302       return NULL;
 303     }
 304
 305     // Strip the leading www. to be more forgiving on input URLs.
 306     $host = preg_replace('/^www\./', '', $url["host"]);
 307
 308     $xsltProcessor = $this->loadStylesheet($host);
 309     if (NULL === $xsltProcessor) {
 310       return NULL;
 311     }
 312
 313     $html = $this->getUrlContents($src_url);
 314     if (FALSE === $html) {
 315       return NULL;
 316     }
 317
 318     $preprocess_html_host_method = 'preprocess_html_' . str_replace(".", "_", $host);
 319     if (method_exists($this, $preprocess_html_host_method)) {
 320       $html = call_user_func_array(array($this, $preprocess_html_host_method), array($html));
 321     }
 322
 323     $xmlDoc = $this->htmlToXml($html, $host);
 324     if (NULL === $xmlDoc) {
 325       return NULL;
 326     }
 327
 328     $output = $xsltProcessor->transformToXML($xmlDoc);
 329
 330     if (FALSE === $output) {
 331       trigger_error('XSL transformation failed.', E_USER_ERROR);
 332       return NULL;
 333     }
 334     return $output;
 335   }
 336
 337 }
 338
 339 /**
 340  * Check if the script is being run from the command line.
 341  */
 342 function is_cli() {
 343   return (php_sapi_name() === "cli");
 344 }
 345
 346 /**
 347  * Show the script usage.
 348  */
 349 function usage($argv) {
 350   if (is_cli()) {
 351     $usage = "{$argv[0]} [-e|-h|--help] <src_url>\n";
 352   }
 353   else {
 354     $usage = htmlentities("{$_SERVER['SCRIPT_NAME']}?src_url=<src_url>&generate_enclosure=<0|1>");
 355   }
 356
 357   return "usage: $usage";
 358 }
 359
 360 /**
 361  * Parse command line options.
 362  */
 363 function parse_options_cli($argv, $argc) {
 364   $options = array(
 365     'generate_enclosure' => FALSE,
 366   );
 367
 368   if ($argc < 2) {
 369     return $options;
 370   }
 371
 372   $cli_options = getopt("eh", array("help"));
 373   foreach ($cli_options as $opt => $val) {
 374     switch ($opt) {
 375       case 'e':
 376         $options['generate_enclosure'] = TRUE;
 377         break;
 378
 379       case 'h':
 380       case 'help':
 381         echo usage($argv);
 382         exit(0);
 383
 384       default:
 385         fwrite(STDERR, usage($argv));
 386         exit(1);
 387     }
 388   }
 389
 390   $options['src_url'] = $argv[count($cli_options) + 1];
 391
 392   return $options;
 393 }
 394
 395 /**
 396  * Parse options passed from a query string.
 397  */
 398 function parse_options_query_string() {
 399   $options = array(
 400     'generate_enclosure' => FALSE,
 401   );
 402
 403   if (isset($_GET['src_url'])) {
 404     $options['src_url'] = $_GET['src_url'];
 405   }
 406
 407   if (isset($_GET['generate_enclosure'])) {
 408     $options['generate_enclosure'] = $_GET['generate_enclosure'] == 1;
 409   }
 410
 411   return $options;
 412 }
 413
 414 if (is_cli()) {
 415   $options = parse_options_cli($argv, $argc);
 416   $ERROR_STREAM = fopen('php://stderr', 'w');
 417 }
 418 else {
 419   $options = parse_options_query_string();
 420   $ERROR_STREAM = fopen('php://output', 'w');
 421 }
 422
 423 if (!isset($options['src_url'])) {
 424   fwrite($ERROR_STREAM, usage(is_cli() ? $argv : NULL));
 425   exit(1);
 426 }
 427
 428 $tweeper = new Tweeper($options['generate_enclosure']);
 429 echo $tweeper->tweep($options['src_url']);