parse_url: complete new code for fetching website information
This commit is contained in:
Michael Vogel
parent
47c48aa438
commit
48f67ead9b
1 changed files with 193 additions and 173 deletions
|
|
@ -1,7 +1,163 @@
|
||||||
<?php
|
<?php
|
||||||
|
if(!function_exists('deletenode')) {
|
||||||
|
function deletenode(&$doc, $node)
|
||||||
|
{
|
||||||
|
$xpath = new DomXPath($doc);
|
||||||
|
$list = $xpath->query("//".$node);
|
||||||
|
foreach ($list as $child)
|
||||||
|
$child->parentNode->removeChild($child);
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
require_once('library/HTML5/Parser.php');
|
function parseurl_getsiteinfo($url) {
|
||||||
require_once('library/HTMLPurifier.auto.php');
|
$siteinfo = array();
|
||||||
|
|
||||||
|
$ch = curl_init();
|
||||||
|
curl_setopt($ch, CURLOPT_URL, $url);
|
||||||
|
curl_setopt($ch, CURLOPT_HEADER, 1);
|
||||||
|
curl_setopt($ch, CURLOPT_NOBODY, 0);
|
||||||
|
curl_setopt($ch, CURLOPT_TIMEOUT, 3);
|
||||||
|
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
|
||||||
|
curl_setopt($ch,CURLOPT_USERAGENT,'Opera/9.64(Windows NT 5.1; U; de) Presto/2.1.1');
|
||||||
|
|
||||||
|
$header = curl_exec($ch);
|
||||||
|
curl_close($ch);
|
||||||
|
|
||||||
|
if (preg_match('/charset=(.*?)\n/', $header, $matches))
|
||||||
|
$charset = trim(array_pop($matches));
|
||||||
|
else
|
||||||
|
$charset = "utf-8";
|
||||||
|
|
||||||
|
$pos = strpos($header, "\r\n\r\n");
|
||||||
|
|
||||||
|
if ($pos)
|
||||||
|
$body = trim(substr($header, $pos));
|
||||||
|
else
|
||||||
|
$body = $header;
|
||||||
|
|
||||||
|
$body = mb_convert_encoding($body, "UTF-8", $charset);
|
||||||
|
$body = mb_convert_encoding($body, 'HTML-ENTITIES', "UTF-8");
|
||||||
|
|
||||||
|
$doc = new DOMDocument();
|
||||||
|
@$doc->loadHTML($body);
|
||||||
|
|
||||||
|
deletenode($doc, 'style');
|
||||||
|
deletenode($doc, 'script');
|
||||||
|
deletenode($doc, 'option');
|
||||||
|
deletenode($doc, 'h1');
|
||||||
|
deletenode($doc, 'h2');
|
||||||
|
deletenode($doc, 'h3');
|
||||||
|
deletenode($doc, 'h4');
|
||||||
|
deletenode($doc, 'h5');
|
||||||
|
deletenode($doc, 'h6');
|
||||||
|
deletenode($doc, 'ol');
|
||||||
|
deletenode($doc, 'ul');
|
||||||
|
|
||||||
|
$xpath = new DomXPath($doc);
|
||||||
|
|
||||||
|
$list = $xpath->query("head/title");
|
||||||
|
foreach ($list as $node)
|
||||||
|
$siteinfo["title"] = html_entity_decode($node->nodeValue, ENT_QUOTES, "UTF-8");
|
||||||
|
|
||||||
|
$list = $xpath->query("head/meta[@name]");
|
||||||
|
foreach ($list as $node) {
|
||||||
|
$attr = array();
|
||||||
|
if ($node->attributes->length)
|
||||||
|
foreach ($node->attributes as $attribute)
|
||||||
|
$attr[$attribute->name] = $attribute->value;
|
||||||
|
|
||||||
|
$attr["content"] = html_entity_decode($attr["content"], ENT_QUOTES, "UTF-8");
|
||||||
|
|
||||||
|
switch (strtolower($attr["name"])) {
|
||||||
|
case "fulltitle":
|
||||||
|
$siteinfo["title"] = $attr["content"];
|
||||||
|
break;
|
||||||
|
case "description":
|
||||||
|
$siteinfo["text"] = $attr["content"];
|
||||||
|
break;
|
||||||
|
case "dc.title":
|
||||||
|
$siteinfo["title"] = $attr["content"];
|
||||||
|
break;
|
||||||
|
case "dc.description":
|
||||||
|
$siteinfo["text"] = $attr["content"];
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
$list = $xpath->query("head/meta[@property]");
|
||||||
|
foreach ($list as $node) {
|
||||||
|
$attr = array();
|
||||||
|
if ($node->attributes->length)
|
||||||
|
foreach ($node->attributes as $attribute)
|
||||||
|
$attr[$attribute->name] = $attribute->value;
|
||||||
|
|
||||||
|
$attr["content"] = html_entity_decode($attr["content"], ENT_QUOTES, "UTF-8");
|
||||||
|
|
||||||
|
switch (strtolower($attr["property"])) {
|
||||||
|
case "og:image":
|
||||||
|
$siteinfo["image"] = $attr["content"];
|
||||||
|
break;
|
||||||
|
case "og:title":
|
||||||
|
$siteinfo["title"] = $attr["content"];
|
||||||
|
break;
|
||||||
|
case "og:description":
|
||||||
|
$siteinfo["text"] = $attr["content"];
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
if ($siteinfo["image"] == "") {
|
||||||
|
require_once('include/Photo.php');
|
||||||
|
$list = $xpath->query("//img[@src]");
|
||||||
|
foreach ($list as $node) {
|
||||||
|
$attr = array();
|
||||||
|
if ($node->attributes->length)
|
||||||
|
foreach ($node->attributes as $attribute)
|
||||||
|
$attr[$attribute->name] = $attribute->value;
|
||||||
|
|
||||||
|
// guess mimetype from headers or filename
|
||||||
|
$type = guess_image_type($attr["src"],true);
|
||||||
|
|
||||||
|
$i = fetch_url($attr["src"]);
|
||||||
|
$ph = new Photo($i, $type);
|
||||||
|
|
||||||
|
if(($ph->getWidth() > 200) and ($ph->getHeight() > 200))
|
||||||
|
$siteinfo["image"] = $attr["src"];
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
if ($siteinfo["text"] == "") {
|
||||||
|
$text = "";
|
||||||
|
|
||||||
|
$list = $xpath->query("//div[@class='article']");
|
||||||
|
foreach ($list as $node)
|
||||||
|
$text .= " ".trim($node->nodeValue);
|
||||||
|
|
||||||
|
if ($text == "") {
|
||||||
|
$list = $xpath->query("//div[@class='content']");
|
||||||
|
foreach ($list as $node)
|
||||||
|
$text .= " ".trim($node->nodeValue);
|
||||||
|
}
|
||||||
|
|
||||||
|
// If none text was found then take the paragraph content
|
||||||
|
if ($text == "") {
|
||||||
|
$list = $xpath->query("//p");
|
||||||
|
foreach ($list as $node)
|
||||||
|
$text .= " ".trim($node->nodeValue);
|
||||||
|
}
|
||||||
|
|
||||||
|
if ($text != "") {
|
||||||
|
$text = trim(str_replace(array("\n", "\r"), array(" ", " "), $text));
|
||||||
|
|
||||||
|
while (strpos($text, " "))
|
||||||
|
$text = trim(str_replace(" ", " ", $text));
|
||||||
|
|
||||||
|
$siteinfo["text"] = html_entity_decode(substr($text,0,350), ENT_QUOTES, "UTF-8").'...';
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
return($siteinfo);
|
||||||
|
}
|
||||||
|
|
||||||
function arr_add_hashes(&$item,$k) {
|
function arr_add_hashes(&$item,$k) {
|
||||||
$item = '#' . $item;
|
$item = '#' . $item;
|
||||||
|
|
@ -40,13 +196,11 @@ function parse_url_content(&$a) {
|
||||||
|
|
||||||
logger('parse_url: ' . $url);
|
logger('parse_url: ' . $url);
|
||||||
|
|
||||||
|
|
||||||
if($textmode)
|
if($textmode)
|
||||||
$template = $br . '[bookmark=%s]%s[/bookmark]%s' . $br;
|
$template = $br . '[bookmark=%s]%s[/bookmark]%s' . $br;
|
||||||
else
|
else
|
||||||
$template = "<br /><a class=\"bookmark\" href=\"%s\" >%s</a>%s<br />";
|
$template = "<br /><a class=\"bookmark\" href=\"%s\" >%s</a>%s<br />";
|
||||||
|
|
||||||
|
|
||||||
$arr = array('url' => $url, 'text' => '');
|
$arr = array('url' => $url, 'text' => '');
|
||||||
|
|
||||||
call_hooks('parse_link', $arr);
|
call_hooks('parse_link', $arr);
|
||||||
|
|
@ -60,187 +214,53 @@ function parse_url_content(&$a) {
|
||||||
if($url && $title && $text) {
|
if($url && $title && $text) {
|
||||||
|
|
||||||
if($textmode)
|
if($textmode)
|
||||||
$text = $br . $br . '[quote]' . $text . '[/quote]' . $br;
|
$text = $br . $br . '[quote]' . trim($text) . '[/quote]' . $br;
|
||||||
else
|
else
|
||||||
$text = '<br /><br /><blockquote>' . $text . '</blockquote><br />';
|
$text = '<br /><br /><blockquote>' . trim($text) . '</blockquote><br />';
|
||||||
|
|
||||||
$title = str_replace(array("\r","\n"),array('',''),$title);
|
$title = str_replace(array("\r","\n"),array('',''),$title);
|
||||||
|
|
||||||
$result = sprintf($template,$url,($title) ? $title : $url,$text) . $str_tags;
|
$result = sprintf($template,$url,($title) ? $title : $url,$text) . $str_tags;
|
||||||
|
|
||||||
logger('parse_url (unparsed): returns: ' . $result);
|
logger('parse_url (unparsed): returns: ' . $result);
|
||||||
|
|
||||||
echo $result;
|
echo $result;
|
||||||
killme();
|
killme();
|
||||||
}
|
}
|
||||||
|
|
||||||
|
$siteinfo = parseurl_getsiteinfo($url);
|
||||||
|
|
||||||
if($url) {
|
if($siteinfo["title"] == "") {
|
||||||
$s = fetch_url($url);
|
echo sprintf($template,$url,$url,'') . $str_tags;
|
||||||
|
killme();
|
||||||
} else {
|
} else {
|
||||||
echo '';
|
$image = $siteinfo["image"];
|
||||||
killme();
|
$text = $siteinfo["text"];
|
||||||
|
$title = $siteinfo["title"];
|
||||||
}
|
}
|
||||||
|
|
||||||
// logger('parse_url: data: ' . $s, LOGGER_DATA);
|
if ($image != "") {
|
||||||
|
$i = fetch_url($image);
|
||||||
|
if($i) {
|
||||||
|
require_once('include/Photo.php');
|
||||||
|
// guess mimetype from headers or filename
|
||||||
|
$type = guess_image_type($image,true);
|
||||||
|
|
||||||
if(! $s) {
|
$ph = new Photo($i, $type);
|
||||||
echo sprintf($template,$url,$url,'') . $str_tags;
|
if($ph->is_valid()) {
|
||||||
killme();
|
if($ph->getWidth() > 300 || $ph->getHeight() > 300) {
|
||||||
}
|
$ph->scaleImage(300);
|
||||||
|
$new_width = $ph->getWidth();
|
||||||
$matches = '';
|
$new_height = $ph->getHeight();
|
||||||
$c = preg_match('/\<head(.*?)\>(.*?)\<\/head\>/ism',$s,$matches);
|
if($textmode)
|
||||||
if($c) {
|
$image = $br . $br . '[img=' . $new_width . 'x' . $new_height . ']' . $image . '[/img]';
|
||||||
// logger('parse_url: header: ' . $matches[2], LOGGER_DATA);
|
else
|
||||||
try {
|
$image = '<br /><br /><img height="' . $new_height . '" width="' . $new_width . '" src="' .$image . '" alt="photo" />';
|
||||||
$domhead = HTML5_Parser::parse($matches[2]);
|
} else {
|
||||||
} catch (DOMException $e) {
|
if($textmode)
|
||||||
logger('scrape_dfrn: parse error: ' . $e);
|
$image = $br.$br.'[img]'.$image.'[/img]';
|
||||||
}
|
else
|
||||||
if($domhead)
|
$image = '<br /><br /><img src="'.$image.'" alt="photo" />';
|
||||||
logger('parsed header');
|
|
||||||
}
|
|
||||||
|
|
||||||
if(! $title) {
|
|
||||||
if(strpos($s,'<title>')) {
|
|
||||||
$title = substr($s,strpos($s,'<title>')+7,64);
|
|
||||||
if(strpos($title,'<') !== false)
|
|
||||||
$title = strip_tags(substr($title,0,strpos($title,'<')));
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
$config = HTMLPurifier_Config::createDefault();
|
|
||||||
$config->set('Cache.DefinitionImpl', null);
|
|
||||||
$purifier = new HTMLPurifier($config);
|
|
||||||
$s = $purifier->purify($s);
|
|
||||||
|
|
||||||
// logger('purify_output: ' . $s);
|
|
||||||
|
|
||||||
try {
|
|
||||||
$dom = HTML5_Parser::parse($s);
|
|
||||||
} catch (DOMException $e) {
|
|
||||||
logger('scrape_dfrn: parse error: ' . $e);
|
|
||||||
}
|
|
||||||
|
|
||||||
if(! $dom) {
|
|
||||||
echo sprintf($template,$url,$url,'') . $str_tags;
|
|
||||||
killme();
|
|
||||||
}
|
|
||||||
|
|
||||||
$items = $dom->getElementsByTagName('title');
|
|
||||||
|
|
||||||
if($items) {
|
|
||||||
foreach($items as $item) {
|
|
||||||
$title = trim($item->textContent);
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
|
|
||||||
if(! $text) {
|
|
||||||
$divs = $dom->getElementsByTagName('div');
|
|
||||||
if($divs) {
|
|
||||||
foreach($divs as $div) {
|
|
||||||
$class = $div->getAttribute('class');
|
|
||||||
if($class && (stristr($class,'article') || stristr($class,'content'))) {
|
|
||||||
$items = $div->getElementsByTagName('p');
|
|
||||||
if($items) {
|
|
||||||
foreach($items as $item) {
|
|
||||||
$text = $item->textContent;
|
|
||||||
if(stristr($text,'<script')) {
|
|
||||||
$text = '';
|
|
||||||
continue;
|
|
||||||
}
|
|
||||||
$text = strip_tags($text);
|
|
||||||
if(strlen($text) < 100) {
|
|
||||||
$text = '';
|
|
||||||
continue;
|
|
||||||
}
|
|
||||||
$text = substr($text,0,250) . '...' ;
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
if($text)
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
if(! $text) {
|
|
||||||
$items = $dom->getElementsByTagName('p');
|
|
||||||
if($items) {
|
|
||||||
foreach($items as $item) {
|
|
||||||
$text = $item->textContent;
|
|
||||||
if(stristr($text,'<script'))
|
|
||||||
continue;
|
|
||||||
$text = strip_tags($text);
|
|
||||||
if(strlen($text) < 100) {
|
|
||||||
$text = '';
|
|
||||||
continue;
|
|
||||||
}
|
|
||||||
$text = substr($text,0,250) . '...' ;
|
|
||||||
break;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
if(! $text) {
|
|
||||||
logger('parsing meta');
|
|
||||||
$items = (isset($domhead) && is_object($domhead) ? $domhead->getElementsByTagName('meta') : null);
|
|
||||||
if($items) {
|
|
||||||
foreach($items as $item) {
|
|
||||||
$property = $item->getAttribute('property');
|
|
||||||
if($property && (stristr($property,':description'))) {
|
|
||||||
|
|
||||||
$text = $item->getAttribute('content');
|
|
||||||
if(stristr($text,'<script')) {
|
|
||||||
$text = '';
|
|
||||||
continue;
|
|
||||||
}
|
|
||||||
$text = strip_tags($text);
|
|
||||||
|
|
||||||
|
|
||||||
$text = substr($text,0,250) . '...' ;
|
|
||||||
}
|
|
||||||
if($property && (stristr($property,':image'))) {
|
|
||||||
|
|
||||||
$image = $item->getAttribute('content');
|
|
||||||
if(stristr($text,'<script')) {
|
|
||||||
$image = '';
|
|
||||||
continue;
|
|
||||||
}
|
|
||||||
$image = strip_tags($image);
|
|
||||||
|
|
||||||
$i = fetch_url($image);
|
|
||||||
if($i) {
|
|
||||||
require_once('include/Photo.php');
|
|
||||||
// guess mimetype from headers or filename
|
|
||||||
$type = guess_image_type($image,true);
|
|
||||||
|
|
||||||
$ph = new Photo($i, $type);
|
|
||||||
if($ph->is_valid()) {
|
|
||||||
if($ph->getWidth() > 300 || $ph->getHeight() > 300) {
|
|
||||||
$ph->scaleImage(300);
|
|
||||||
$new_width = $ph->getWidth();
|
|
||||||
$new_height = $ph->getHeight();
|
|
||||||
if($textmode)
|
|
||||||
$image = $br . $br . '[img=' . $new_width . 'x' . $new_height . ']' . $image . '[/img]';
|
|
||||||
else
|
|
||||||
$image = '<br /><br /><img height="' . $new_height . '" width="' . $new_width . '" src="' .$image . '" alt="photo" />';
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
if($textmode)
|
|
||||||
$image = $br . $br . '[img]' . $image . '[/img]';
|
|
||||||
else
|
|
||||||
$image = '<br /><br /><img src="' . $image . '" alt="photo" />';
|
|
||||||
}
|
|
||||||
}
|
|
||||||
else
|
|
||||||
$image = '';
|
|
||||||
|
|
||||||
}
|
|
||||||
}
|
}
|
||||||
}
|
}
|
||||||
}
|
}
|
||||||
|
|
@ -248,19 +268,19 @@ function parse_url_content(&$a) {
|
||||||
|
|
||||||
if(strlen($text)) {
|
if(strlen($text)) {
|
||||||
if($textmode)
|
if($textmode)
|
||||||
$text = $br .$br . '[quote]' . $text . '[/quote]' . $br ;
|
$text = $br.$br.'[quote]'.trim($text).'[/quote]'.$br ;
|
||||||
else
|
else
|
||||||
$text = '<br /><br /><blockquote>' . $text . '</blockquote><br />';
|
$text = '<br /><br /><blockquote>'.trim($text).'</blockquote><br />';
|
||||||
}
|
}
|
||||||
|
|
||||||
if($image) {
|
if($image) {
|
||||||
$text = $image . $br . $text;
|
$text = $image.$br.$text;
|
||||||
}
|
}
|
||||||
$title = str_replace(array("\r","\n"),array('',''),$title);
|
$title = str_replace(array("\r","\n"),array('',''),$title);
|
||||||
|
|
||||||
$result = sprintf($template,$url,($title) ? $title : $url,$text) . $str_tags;
|
$result = sprintf($template,$url,($title) ? $title : $url,$text) . $str_tags;
|
||||||
|
|
||||||
logger('parse_url: returns: ' . $result);
|
logger('parse_url: returns: ' . $result);
|
||||||
|
|
||||||
echo $result;
|
echo $result;
|
||||||
killme();
|
killme();
|
||||||
|
|
|
||||||
Loading…
Reference in a new issue