bin/index.php

   1 #!/usr/bin/env php
   2 <?php
   3 namespace phinde;
   4 // index a given URL
   5 require_once __DIR__ . '/../src/init.php';
   6
   7 $supportedIndexTypes = array(
   8     'application/xhtml+xml',
   9     'text/html',
  10 );
  11
  12 if ($argc < 2) {
  13     echo "No URL given\n";
  14     exit(1);
  15 }
  16
  17 function removeTags($doc, $tag) {
  18     $elems = array();
  19     foreach ($doc->getElementsbyTagName($tag) as $elem) {
  20         $elems[] = $elem;
  21     }
  22     foreach ($elems as $elem) {
  23         $elem->parentNode->removeChild($elem);
  24     }
  25 }
  26
  27 $es = new Elasticsearch($GLOBALS['phinde']['elasticsearch']);
  28
  29 $url = $argv[1];
  30 $existingDoc = $es->get($url);
  31 if ($existingDoc && $existingDoc->status == 'indexed') {
  32     echo "URL already indexed: $url\n";
  33     exit(0);
  34 }
  35 //FIXME: sourcetitle, sourcelink
  36
  37 $req = new \HTTP_Request2($url);
  38 $req->setConfig('follow_redirects', true);
  39 $req->setConfig('connect_timeout', 5);
  40 $req->setConfig('timeout', 10);
  41 $req->setConfig('ssl_verify_peer', false);
  42 $res = $req->send();
  43 //FIXME: try-catch
  44
  45 //FIXME: delete if 401 gone or 404 when updating
  46 if ($res->getStatus() !== 200) {
  47     echo "Response code is not 200 but " . $res->getStatus() . ", stopping\n";
  48     //FIXME: update status
  49     exit(3);
  50 }
  51
  52 $mimetype = explode(';', $res->getHeader('content-type'))[0];
  53 if (!in_array($mimetype, $supportedIndexTypes)) {
  54     echo "MIME type not supported for indexing: $mimetype\n";
  55     //FIXME: update status
  56     exit(4);
  57 }
  58
  59
  60 //FIXME: update index only if changed since last index time
  61 //FIXME: extract base url from html
  62 $url = $res->getEffectiveUrl();
  63 $base = new \Net_URL2($url);
  64
  65 $indexDoc = new \stdClass();
  66
  67 //FIXME: MIME type switch
  68 $doc = new \DOMDocument();
  69 //@ to hide parse warning messages in invalid html
  70 @$doc->loadHTML($res->getBody());
  71 $dx = new \DOMXPath($doc);
  72
  73 //remove script tags
  74 removeTags($doc, 'script');
  75 removeTags($doc, 'style');
  76 removeTags($doc, 'nav');
  77
  78 //default content: <body>
  79 $xpContext = $doc->getElementsByTagName('body')->item(0);
  80
  81 //use microformats content if it exists
  82 $xpElems = $dx->query(
  83     "//*[contains(concat(' ', normalize-space(@class), ' '), ' e-content ')]"
  84 );
  85 if ($xpElems->length) {
  86     $xpContext = $xpElems->item(0);
  87 } else if ($doc->getElementById('content')) {
  88     //if there is an element with ID "content", we'll use this
  89     $xpContext = $doc->getElementById('content');
  90 }
  91
  92 $indexDoc->url = $url;
  93 $indexDoc->schemalessUrl = Helper::noSchema($url);
  94 $indexDoc->type = 'html';
  95 $indexDoc->subtype = '';
  96 $indexDoc->mimetype = $mimetype;
  97 $indexDoc->domain   = parse_url($url, PHP_URL_HOST);
  98
  99 //$indexDoc->source = 'FIXME';
 100 //$indexDoc->sourcetitle = 'FIXME';
 101
 102 $indexDoc->author = new \stdClass();
 103
 104 $arXpElems = $dx->query('/html/head/meta[@name="author"]');
 105 if ($arXpElems->length) {
 106     $indexDoc->author->name = trim(
 107         $arXpElems->item(0)->attributes->getNamedItem('content')->textContent
 108     );
 109 }
 110 $arXpElems = $dx->query('/html/head/link[@rel="author"]');
 111 if ($arXpElems->length) {
 112     $indexDoc->author->url = trim(
 113         $base->resolve(
 114             $arXpElems->item(0)->attributes->getNamedItem('href')->textContent
 115         )
 116     );
 117 }
 118
 119
 120 $arXpElems = $dx->query('/html/head/title');
 121 if ($arXpElems->length) {
 122     $indexDoc->title = trim(
 123         $arXpElems->item(0)->textContent
 124     );
 125 }
 126
 127 foreach (array('h1', 'h2', 'h3', 'h4', 'h5', 'h6') as $headlinetype) {
 128     $indexDoc->$headlinetype = array();
 129     foreach ($xpContext->getElementsByTagName($headlinetype) as $xheadline) {
 130         array_push(
 131             $indexDoc->$headlinetype,
 132             trim($xheadline->textContent)
 133         );
 134     }
 135 }
 136
 137 //FIXME: split paragraphs
 138 //FIXME: insert space after br
 139 $indexDoc->text = array();
 140 $indexDoc->text[] = trim(
 141     str_replace(
 142         array("\r\n", "\n", "\r", '  '),
 143         ' ',
 144         $xpContext->textContent
 145     )
 146 );
 147
 148 //tags
 149 $tags = array();
 150 foreach ($dx->query('/html/head/meta[@name="keywords"]') as $xkeywords) {
 151     $keywords = $xkeywords->attributes->getNamedItem('content')->textContent;
 152     foreach (explode(',', $keywords) as $keyword) {
 153         $tags[trim($keyword)] = true;
 154     }
 155 }
 156 $indexDoc->tags = array_keys($tags);
 157
 158 //dates
 159 $arXpdates = $dx->query('/html/head/meta[@name="DC.date.created"]');
 160 if ($arXpdates->length) {
 161     $indexDoc->crdate = date(
 162         'c',
 163         strtotime(
 164             $arXpdates->item(0)->attributes->getNamedItem('content')->textContent
 165         )
 166     );
 167 }
 168 //FIXME: keep creation date from database, or use modified date if we
 169 // do not have it there
 170
 171 $arXpdates = $dx->query('/html/head/meta[@name="DC.date.modified"]');
 172 if ($arXpdates->length) {
 173     $indexDoc->modate = date(
 174         'c',
 175         strtotime(
 176             $arXpdates->item(0)->attributes->getNamedItem('content')->textContent
 177         )
 178     );
 179 } else {
 180     $lm = $res->getHeader('last-modified');
 181     if ($lm !== null) {
 182         $indexDoc->modate = date('c', strtotime($lm));
 183     } else {
 184         //use current time since we don't have any other data
 185         $indexDoc->modate = date('c');
 186     }
 187 }
 188
 189 //language
 190 //there may be "en-US" and "de-DE"
 191 $xlang = $doc->documentElement->attributes->getNamedItem('lang');
 192 if ($xlang) {
 193     $indexDoc->language = strtolower(substr($xlang->textContent, 0, 2));
 194 }
 195 //FIXME: fallback, autodetection
 196 //FIXME: check noindex
 197
 198 //var_dump($indexDoc);die();
 199
 200 $indexDoc->status = 'indexed';
 201
 202 //FIXME: update index if it exists already
 203 $r = new Elasticsearch_Request(
 204     $GLOBALS['phinde']['elasticsearch'] . 'document/' . rawurlencode($url),
 205     \HTTP_Request2::METHOD_PUT
 206 );
 207 $r->setBody(json_encode($indexDoc));
 208 $r->send();
 209
 210
 211 ?>