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 $es = new Elasticsearch($GLOBALS['phinde']['elasticsearch']);
  18
  19 $url = $argv[1];
  20 $existingDoc = $es->get($url);
  21 if ($existingDoc && $existingDoc->status == 'indexed') {
  22     echo "URL already indexed: $url\n";
  23     exit(0);
  24 }
  25 //FIXME: sourcetitle, sourcelink
  26
  27 $req = new \HTTP_Request2($url);
  28 $req->setConfig('follow_redirects', true);
  29 $req->setConfig('connect_timeout', 5);
  30 $req->setConfig('timeout', 10);
  31 $req->setConfig('ssl_verify_peer', false);
  32 $res = $req->send();
  33 //FIXME: try-catch
  34
  35 //FIXME: delete if 401 gone or 404 when updating
  36 if ($res->getStatus() !== 200) {
  37     echo "Response code is not 200 but " . $res->getStatus() . ", stopping\n";
  38     //FIXME: update status
  39     exit(3);
  40 }
  41
  42 $mimetype = explode(';', $res->getHeader('content-type'))[0];
  43 if (!in_array($mimetype, $supportedIndexTypes)) {
  44     echo "MIME type not supported for indexing: $mimetype\n";
  45     //FIXME: update status
  46     exit(4);
  47 }
  48
  49
  50 //FIXME: update index only if changed since last index time
  51 //FIXME: extract base url from html
  52 $url = $res->getEffectiveUrl();
  53 $base = new \Net_URL2($url);
  54
  55 $indexDoc = new \stdClass();
  56
  57 //FIXME: MIME type switch
  58 $doc = new \DOMDocument();
  59 //@ to hide parse warning messages in invalid html
  60 @$doc->loadHTML($res->getBody());
  61 $dx = new \DOMXPath($doc);
  62
  63 //remove script tags
  64 $elems = array();
  65 foreach ($doc->getElementsbyTagName('script') as $elem) {
  66     $elems[] = $elem;
  67 }
  68 foreach ($elems as $elem) {
  69     $elem->parentNode->removeChild($elem);
  70 }
  71
  72 //default content: <body>
  73 $xpContext = $doc->getElementsByTagName('body')->item(0);
  74
  75 //use microformats content if it exists
  76 $xpElems = $dx->query(
  77     "//*[contains(concat(' ', normalize-space(@class), ' '), ' e-content ')]"
  78 );
  79 if ($xpElems->length) {
  80     $xpContext = $xpElems->item(0);
  81 } else if ($doc->getElementById('content')) {
  82     //if there is an element with ID "content", we'll use this
  83     $xpContext = $doc->getElementById('content');
  84 }
  85
  86 $indexDoc->url = $url;
  87 $indexDoc->schemalessUrl = Helper::noSchema($url);
  88 $indexDoc->type = 'html';
  89 $indexDoc->subtype = '';
  90 $indexDoc->mimetype = $mimetype;
  91 $indexDoc->domain   = parse_url($url, PHP_URL_HOST);
  92
  93 //$indexDoc->source = 'FIXME';
  94 //$indexDoc->sourcetitle = 'FIXME';
  95
  96 $indexDoc->author = new \stdClass();
  97
  98 $arXpElems = $dx->query('/html/head/meta[@name="author"]');
  99 if ($arXpElems->length) {
 100     $indexDoc->author->name = trim(
 101         $arXpElems->item(0)->attributes->getNamedItem('content')->textContent
 102     );
 103 }
 104 $arXpElems = $dx->query('/html/head/link[@rel="author"]');
 105 if ($arXpElems->length) {
 106     $indexDoc->author->url = trim(
 107         $base->resolve(
 108             $arXpElems->item(0)->attributes->getNamedItem('href')->textContent
 109         )
 110     );
 111 }
 112
 113
 114 $arXpElems = $dx->query('/html/head/title');
 115 if ($arXpElems->length) {
 116     $indexDoc->title = trim(
 117         $arXpElems->item(0)->textContent
 118     );
 119 }
 120
 121 foreach (array('h1', 'h2', 'h3', 'h4', 'h5', 'h6') as $headlinetype) {
 122     $indexDoc->$headlinetype = array();
 123     foreach ($xpContext->getElementsByTagName($headlinetype) as $xheadline) {
 124         array_push(
 125             $indexDoc->$headlinetype,
 126             trim($xheadline->textContent)
 127         );
 128     }
 129 }
 130
 131 //FIXME: limit to h-entry e-content
 132 //FIXME: insert space after br
 133 $indexDoc->text = array();
 134 $indexDoc->text[] = trim(
 135     str_replace(
 136         array("\r\n", "\n", "\r", '  '),
 137         ' ',
 138         $xpContext->textContent
 139     )
 140 );
 141
 142 //tags
 143 $tags = array();
 144 foreach ($dx->query('/html/head/meta[@name="keywords"]') as $xkeywords) {
 145     $keywords = $xkeywords->attributes->getNamedItem('content')->textContent;
 146     foreach (explode(',', $keywords) as $keyword) {
 147         $tags[trim($keyword)] = true;
 148     }
 149 }
 150 $indexDoc->tags = array_keys($tags);
 151
 152 //dates
 153 $arXpdates = $dx->query('/html/head/meta[@name="DC.date.created"]');
 154 if ($arXpdates->length) {
 155     $indexDoc->crdate = date(
 156         'c',
 157         strtotime(
 158             $arXpdates->item(0)->attributes->getNamedItem('content')->textContent
 159         )
 160     );
 161 }
 162 //FIXME: keep creation date from database, or use modified date if we
 163 // do not have it there
 164
 165 $arXpdates = $dx->query('/html/head/meta[@name="DC.date.modified"]');
 166 if ($arXpdates->length) {
 167     $indexDoc->modate = date(
 168         'c',
 169         strtotime(
 170             $arXpdates->item(0)->attributes->getNamedItem('content')->textContent
 171         )
 172     );
 173 } else {
 174     $lm = $res->getHeader('last-modified');
 175     if ($lm !== null) {
 176         $indexDoc->modate = date('c', strtotime($lm));
 177     } else {
 178         //use current time since we don't have any other data
 179         $indexDoc->modate = date('c');
 180     }
 181 }
 182
 183 //language
 184 //there may be "en-US" and "de-DE"
 185 $indexDoc->language = strtolower(
 186     substr(
 187         $doc->documentElement->attributes->getNamedItem('lang')->textContent,
 188         0, 2
 189     )
 190 );
 191 //FIXME: fallback, autodetection
 192 //FIXME: check noindex
 193
 194 //var_dump($indexDoc);die();
 195
 196 $indexDoc->status = 'indexed';
 197
 198 //FIXME: update index if it exists already
 199 $r = new Elasticsearch_Request(
 200     $GLOBALS['phinde']['elasticsearch'] . 'document/' . rawurlencode($url),
 201     \HTTP_Request2::METHOD_PUT
 202 );
 203 $r->setBody(json_encode($indexDoc));
 204 $r->send();
 205
 206
 207 ?>