Tweeper.php: fix Invalid Character Error when converting Instagram json to XML
[tweeper.git] / tweeper.php
index f712c87..bcc85fe 100644 (file)
@@ -1,9 +1,10 @@
 <?php
 <?php
+
 /**
  * @file
  * Tweeper - a Twitter to RSS web scraper.
  *
 /**
  * @file
  * Tweeper - a Twitter to RSS web scraper.
  *
- * Copyright (C) 2013-2015  Antonio Ospite <ao2@ao2.it>
+ * Copyright (C) 2013-2020  Antonio Ospite <ao2@ao2.it>
  *
  * This program is free software: you can redistribute it and/or modify
  * it under the terms of the GNU General Public License as published by
  *
  * This program is free software: you can redistribute it and/or modify
  * it under the terms of the GNU General Public License as published by
  * along with this program.  If not, see <http://www.gnu.org/licenses/>.
  */
 
  * along with this program.  If not, see <http://www.gnu.org/licenses/>.
  */
 
-require_once 'Symfony/Component/Serializer/autoload.php';
+require_once 'autoload.php';
 
 
-use Symfony\Component\Serializer\Serializer;
-use Symfony\Component\Serializer\Encoder\XmlEncoder;
-use Symfony\Component\Serializer\Normalizer\ObjectNormalizer;
+use Tweeper\Tweeper;
 
 date_default_timezone_set('UTC');
 
 /**
 
 date_default_timezone_set('UTC');
 
 /**
- * Scrape supported websites and perform conversion to RSS.
- */
-class Tweeper {
-
-  private static $userAgent = "Mozilla/5.0 (Windows NT 6.1; rv:22.0) Gecko/20130405 Firefox/22.0";
-
-  /**
-   * Constructor sets up {@link $generate_enclosure}.
-   */
-  public function __construct($generate_enclosure = FALSE) {
-    $this->generate_enclosure = $generate_enclosure;
-  }
-
-  /**
-   * Convert numeric Epoch to the date format expected in a RSS document.
-   */
-  public static function epoch_to_gmdate($timestamp) {
-    if (!is_numeric($timestamp) || is_nan($timestamp)) {
-      $timestamp = 0;
-    }
-
-    return gmdate('D, d M Y H:i:s', $timestamp) . ' GMT';
-  }
-
-  /**
-   * Convert generic date string to the date format expected in a RSS document.
-   */
-  public static function str_to_gmdate($date) {
-    $timestamp = strtotime($date);
-    if (FALSE === $timestamp) {
-      $timestamp = 0;
-    }
-
-    return Tweeper::epoch_to_gmdate($timestamp);
-  }
-
-  /**
-   * Get the contents from a URL.
-   */
-  private static function get_contents($url) {
-    $ch = curl_init($url);
-    curl_setopt_array($ch, array(
-      CURLOPT_HEADER => FALSE,
-      // Follow http redirects to get the real URL.
-      CURLOPT_FOLLOWLOCATION => TRUE,
-      CURLOPT_RETURNTRANSFER => TRUE,
-      CURLOPT_SSL_VERIFYHOST => FALSE,
-      CURLOPT_SSL_VERIFYPEER => FALSE,
-      CURLOPT_HTTPHEADER => array('Accept-language: en'),
-      CURLOPT_USERAGENT => Tweeper::$userAgent,
-    ));
-    $contents = curl_exec($ch);
-    curl_close($ch);
-
-    return $contents;
-  }
-
-  /**
-   * Get the headers from a URL.
-   */
-  private static function get_info($url) {
-    $ch = curl_init($url);
-    curl_setopt_array($ch, array(
-      CURLOPT_HEADER => TRUE,
-      CURLOPT_NOBODY => TRUE,
-      // Follow http redirects to get the real URL.
-      CURLOPT_FOLLOWLOCATION => TRUE,
-      CURLOPT_RETURNTRANSFER => TRUE,
-      CURLOPT_SSL_VERIFYHOST => FALSE,
-      CURLOPT_SSL_VERIFYPEER => FALSE,
-      CURLOPT_USERAGENT => Tweeper::$userAgent,
-    ));
-    curl_exec($ch);
-    $url_info = curl_getinfo($ch);
-    curl_close($ch);
-
-    return $url_info;
-  }
-
-  /**
-   * Generate an RSS <enclosure/> element.
-   */
-  public static function generateEnclosure($url) {
-    $supported_content_types = array(
-      "application/ogg",
-      "audio/aac",
-      "audio/mp4",
-      "audio/mpeg",
-      "audio/ogg",
-      "audio/vorbis",
-      "audio/wav",
-      "audio/webm",
-      "audio/x-midi",
-      "image/gif",
-      "image/jpeg",
-      "video/avi",
-      "video/mp4",
-      "video/mpeg",
-      "video/ogg",
-    );
-
-    // The RSS specification says that the enclosure element URL must be http.
-    // See http://sourceforge.net/p/feedvalidator/bugs/72/
-    $http_url = preg_replace("/^https/", "http", $url);
-
-    $url_info = Tweeper::get_info($http_url);
-
-    $supported = in_array($url_info['content_type'], $supported_content_types);
-    if (!$supported) {
-      error_log("Unsupported enclosure content type \"" . $url_info['content_type'] . "\" for URL: " . $url_info['url']);
-      return '';
-    }
-
-    $dom = new DomDocument();
-    $enc = $dom->createElement('enclosure');
-    $enc->setAttribute('url', $url_info['url']);
-    $enc->setAttribute('length', $url_info['download_content_length']);
-    $enc->setAttribute('type', $url_info['content_type']);
-
-    $dom->appendChild($enc);
-
-    return $dom->saveXML($enc);
-  }
-
-  /**
-   * Mimic the message from libxml.c::php_libxml_ctx_error_level()
-   */
-  private function log_xml_error($error) {
-    $output = "";
-
-    switch ($error->level) {
-      case LIBXML_ERR_WARNING:
-        $output .= "Warning $error->code: ";
-        break;
-
-      case LIBXML_ERR_ERROR:
-        $output .= "Error $error->code: ";
-        break;
-
-      case LIBXML_ERR_FATAL:
-        $output .= "Fatal Error $error->code: ";
-        break;
-    }
-
-    $output .= trim($error->message);
-
-    if ($error->file) {
-      $output .= " in $error->file";
-    }
-    else {
-      $output .= " in Entity,";
-    }
-
-    $output .= " line $error->line";
-
-    error_log($output);
-  }
-
-  /**
-   * Load a stylesheet if the web site is supported.
-   */
-  private function load_stylesheet($host) {
-    $stylesheet = "file://" . __DIR__ . "/rss_converter_" . $host . ".xsl";
-    if (FALSE === file_exists($stylesheet)) {
-      trigger_error("Conversion to RSS not supported for $host ($stylesheet not found)", E_USER_ERROR);
-      return NULL;
-    }
-
-    $stylesheet_contents = $this->get_contents($stylesheet);
-
-    $xslDoc = new DOMDocument();
-    $xslDoc->loadXML($stylesheet_contents);
-
-    $xsltProcessor = new XSLTProcessor();
-    $xsltProcessor->registerPHPFunctions();
-    $xsltProcessor->setParameter('', 'generate-enclosure', $this->generate_enclosure);
-    $xsltProcessor->importStylesheet($xslDoc);
-
-    return $xsltProcessor;
-  }
-
-  /**
-   * Convert json to xml.
-   */
-  private function json_to_xml($json, $root_node_name) {
-    // Apparently the ObjectNormalizer used afterwards is not able to handle
-    // the stdClass object created by json_decode() with the default setting
-    // $assoc = false; so use $assoc = true.
-    $data = json_decode($json, $assoc = TRUE);
-    if (!$data) {
-      return NULL;
-    }
-
-    $encoder = new XmlEncoder();
-    $normalizer = new ObjectNormalizer();
-    $serializer = new Serializer(array($normalizer), array($encoder));
-
-    $serializer_options = array(
-      'xml_encoding' => "UTF-8",
-      'xml_format_output' => TRUE,
-      'xml_root_node_name' => $root_node_name,
-    );
-
-    $xml_data = $serializer->serialize($data, 'xml', $serializer_options);
-    if (!$xml_data) {
-      trigger_error("Cannot serialize data", E_USER_ERROR);
-      return NULL;
-    }
-
-    return $xml_data;
-  }
-
-  /**
-   * Convert the Instagram content to XML.
-   */
-  private function get_xml_instagram_com($html) {
-    // Extract the json data from the html code.
-    $json_match_expr = '/window._sharedData = (.*);/';
-    $ret = preg_match($json_match_expr, $html, $matches);
-    if ($ret !== 1) {
-      trigger_error("Cannot match expression: $json_match_expr\n", E_USER_ERROR);
-      return NULL;
-    }
-
-    return $this->json_to_xml($matches[1], 'instagram');
-  }
-
-  /**
-   * Make the Facebook HTML processable.
-   */
-  private function preprocess_html_facebook_com($html) {
-    $html = str_replace('<!--', '', $html);
-    $html = str_replace('-->', '', $html);
-    return $html;
-  }
-
-  /**
-   * Convert the HTML retrieved from the site to XML.
-   */
-  private function html_to_xml($html, $host) {
-    $xmlDoc = new DOMDocument();
-
-    // Handle warnings and errors when loading invalid HTML.
-    $xml_errors_value = libxml_use_internal_errors(TRUE);
-
-    // If there is a host-specific method to get the xml data, use it!
-    $get_xml_host_method = 'get_xml_' . str_replace(".", "_", $host);
-    if (method_exists($this, $get_xml_host_method)) {
-      $xml_data = call_user_func_array(array($this, $get_xml_host_method), array($html));
-      $xmlDoc->loadXML($xml_data);
-    }
-    else {
-      $xmlDoc->loadHTML($html);
-    }
-
-    foreach (libxml_get_errors() as $xml_error) {
-      $this->log_xml_error($xml_error);
-    }
-    libxml_clear_errors();
-    libxml_use_internal_errors($xml_errors_value);
-
-    return $xmlDoc;
-  }
-
-  /**
-   * Convert the site content to RSS.
-   */
-  public function tweep($src_url) {
-    $url = parse_url($src_url);
-    if (FALSE === $url || empty($url["host"])) {
-      trigger_error("Invalid URL: $src_url", E_USER_ERROR);
-      return NULL;
-    }
-
-    // Strip the leading www. to be more forgiving on input URLs.
-    $host = preg_replace('/^www\./', '', $url["host"]);
-
-    $xsltProcessor = $this->load_stylesheet($host);
-    if (NULL === $xsltProcessor) {
-      return NULL;
-    }
-
-    $html = $this->get_contents($src_url);
-    if (FALSE === $html) {
-      return NULL;
-    }
-
-    $preprocess_html_host_method = 'preprocess_html_' . str_replace(".", "_", $host);
-    if (method_exists($this, $preprocess_html_host_method)) {
-      $html = call_user_func_array(array($this, $preprocess_html_host_method), array($html));
-    }
-
-    $xmlDoc = $this->html_to_xml($html, $host);
-    if (NULL === $xmlDoc) {
-      return NULL;
-    }
-
-    $output = $xsltProcessor->transformToXML($xmlDoc);
-
-    if (FALSE === $output) {
-      trigger_error('XSL transformation failed.', E_USER_ERROR);
-      return NULL;
-    }
-    return $output;
-  }
-
-}
-
-/**
  * Check if the script is being run from the command line.
  */
 function is_cli() {
  * Check if the script is being run from the command line.
  */
 function is_cli() {
@@ -348,10 +38,10 @@ function is_cli() {
  */
 function usage($argv) {
   if (is_cli()) {
  */
 function usage($argv) {
   if (is_cli()) {
-    $usage = "{$argv[0]} [-e|-h|--help] <src_url>\n";
+    $usage = "{$argv[0]} [-e|-m <0|1>|-u <0|1>|-v <0|1>|-h|--help] <src_url>\n";
   }
   else {
   }
   else {
-    $usage = htmlentities("{$_SERVER['SCRIPT_NAME']}?src_url=<src_url>&generate_enclosure=<0|1>");
+    $usage = htmlentities("{$_SERVER['SCRIPT_NAME']}?src_url=<src_url>&generate_enclosure=<0|1>&show_usernames=<0|1>&show_multimedia=<0|1>&verbose_output=<0|1>");
   }
 
   return "usage: $usage";
   }
 
   return "usage: $usage";
@@ -361,21 +51,54 @@ function usage($argv) {
  * Parse command line options.
  */
 function parse_options_cli($argv, $argc) {
  * Parse command line options.
  */
 function parse_options_cli($argv, $argc) {
-  $options = array(
+  $options = [
     'generate_enclosure' => FALSE,
     'generate_enclosure' => FALSE,
-  );
+    'show_usernames' => TRUE,
+    'show_multimedia' => TRUE,
+    'verbose_output' => TRUE,
+  ];
 
   if ($argc < 2) {
     return $options;
   }
 
 
   if ($argc < 2) {
     return $options;
   }
 
-  $cli_options = getopt("eh", array("help"));
+  $cli_options = getopt("em:u:v:h", ["help"]);
   foreach ($cli_options as $opt => $val) {
     switch ($opt) {
       case 'e':
         $options['generate_enclosure'] = TRUE;
         break;
 
   foreach ($cli_options as $opt => $val) {
     switch ($opt) {
       case 'e':
         $options['generate_enclosure'] = TRUE;
         break;
 
+      case 'm':
+        $ret = filter_var($val, FILTER_VALIDATE_BOOLEAN, FILTER_NULL_ON_FAILURE);
+        if (NULL === $ret) {
+          fwrite(STDERR, "Invalid argument for the -m option.\n");
+          fwrite(STDERR, usage($argv));
+          exit(1);
+        }
+        $options['show_multimedia'] = $val;
+        break;
+
+      case 'u':
+        $ret = filter_var($val, FILTER_VALIDATE_BOOLEAN, FILTER_NULL_ON_FAILURE);
+        if (NULL === $ret) {
+          fwrite(STDERR, "Invalid argument for the -u option.\n");
+          fwrite(STDERR, usage($argv));
+          exit(1);
+        }
+        $options['show_usernames'] = $val;
+        break;
+
+      case 'v':
+        $ret = filter_var($val, FILTER_VALIDATE_BOOLEAN, FILTER_NULL_ON_FAILURE);
+        if (NULL === $ret) {
+          fwrite(STDERR, "Invalid argument for the -v option.\n");
+          fwrite(STDERR, usage($argv));
+          exit(1);
+        }
+        $options['verbose_output'] = $val;
+        break;
+
       case 'h':
       case 'help':
         echo usage($argv);
       case 'h':
       case 'help':
         echo usage($argv);
@@ -387,7 +110,9 @@ function parse_options_cli($argv, $argc) {
     }
   }
 
     }
   }
 
-  $options['src_url'] = $argv[count($cli_options) + 1];
+  // For now assume that the URL is the lest argument, in the future we could
+  // switch to PHP >= 7.1 and use the $optind argument of getopt().
+  $options['src_url'] = array_pop($argv);
 
   return $options;
 }
 
   return $options;
 }
@@ -396,9 +121,12 @@ function parse_options_cli($argv, $argc) {
  * Parse options passed from a query string.
  */
 function parse_options_query_string() {
  * Parse options passed from a query string.
  */
 function parse_options_query_string() {
-  $options = array(
+  $options = [
     'generate_enclosure' => FALSE,
     'generate_enclosure' => FALSE,
-  );
+    'show_usernames' => TRUE,
+    'show_multimedia' => TRUE,
+    'verbose_output' => TRUE,
+  ];
 
   if (isset($_GET['src_url'])) {
     $options['src_url'] = $_GET['src_url'];
 
   if (isset($_GET['src_url'])) {
     $options['src_url'] = $_GET['src_url'];
@@ -408,22 +136,38 @@ function parse_options_query_string() {
     $options['generate_enclosure'] = $_GET['generate_enclosure'] == 1;
   }
 
     $options['generate_enclosure'] = $_GET['generate_enclosure'] == 1;
   }
 
+  if (isset($_GET['show_multimedia'])) {
+    $options['show_multimedia'] = $_GET['show_multimedia'] != 0;
+  }
+
+  if (isset($_GET['show_usernames'])) {
+    $options['show_usernames'] = $_GET['show_usernames'] != 0;
+  }
+
+  if (isset($_GET['verbose_output'])) {
+    $options['verbose_output'] = $_GET['verbose_output'] != 0;
+  }
+
   return $options;
 }
 
 if (is_cli()) {
   $options = parse_options_cli($argv, $argc);
   return $options;
 }
 
 if (is_cli()) {
   $options = parse_options_cli($argv, $argc);
-  $ERROR_STREAM = fopen('php://stderr', 'w');
+  $error_stream = fopen('php://stderr', 'w');
 }
 else {
   $options = parse_options_query_string();
 }
 else {
   $options = parse_options_query_string();
-  $ERROR_STREAM = fopen('php://output', 'w');
+  $error_stream = fopen('php://output', 'w');
 }
 
 if (!isset($options['src_url'])) {
 }
 
 if (!isset($options['src_url'])) {
-  fwrite($ERROR_STREAM, usage(is_cli() ? $argv : NULL));
+  fwrite($error_stream, usage(is_cli() ? $argv : NULL));
   exit(1);
 }
 
   exit(1);
 }
 
-$tweeper = new Tweeper($options['generate_enclosure']);
-echo $tweeper->tweep($options['src_url']);
+$tweeper = new Tweeper($options['generate_enclosure'], $options['show_usernames'], $options['show_multimedia'], $options['verbose_output']);
+$output = $tweeper->tweep($options['src_url']);
+if (is_null($output)) {
+  exit(1);
+}
+echo $output;