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 $sx = simplexml_import_dom($doc);
  62
  63 $indexDoc->url = $url;
  64 $indexDoc->schemalessUrl = Helper::noSchema($url);
  65 $indexDoc->type = 'html';
  66 $indexDoc->subtype = '';
  67 $indexDoc->mimetype = $mimetype;
  68 $indexDoc->domain   = parse_url($url, PHP_URL_HOST);
  69
  70 //$indexDoc->source = 'FIXME';
  71 //$indexDoc->sourcetitle = 'FIXME';
  72
  73 $indexDoc->author = new \stdClass();
  74
  75 $arSxElems = $sx->xpath('/html/head/meta[@name="author"]');
  76 if (count($arSxElems)) {
  77     $indexDoc->author->name = trim($arSxElems[0]['content']);
  78 }
  79 $arSxElems = $sx->xpath('/html/head/link[@rel="author"]');
  80 if (count($arSxElems)) {
  81     $indexDoc->author->url = (string) $base->resolve($arSxElems[0]['href']);
  82 }
  83
  84 $indexDoc->title = (string) $sx->head->title;
  85 foreach (array('h1', 'h2', 'h3', 'h4', 'h5', 'h6') as $headlinetype) {
  86     $indexDoc->$headlinetype = array();
  87     //FIXME: limit to h-entry children
  88     foreach ($sx->xpath('//' . $headlinetype) as $xheadline) {
  89         array_push(
  90             $indexDoc->$headlinetype,
  91             trim(dom_import_simplexml($xheadline)->textContent)
  92         );
  93     }
  94 }
  95
  96 //FIXME: limit to h-entry e-content
  97 //FIXME: insert space after br
  98 //FIXME: remove javascript
  99 $indexDoc->text = array();
 100 foreach ($doc->getElementsByTagName('body') as $body) {
 101     $indexDoc->text[] = trim(
 102         str_replace(
 103             array("\r\n", "\n", "\r", '  '),
 104             ' ',
 105             $body->textContent
 106         )
 107     );
 108 }
 109
 110 //tags
 111 $tags = array();
 112 foreach ($sx->xpath('/html/head/meta[@name="keywords"]') as $xkeywords) {
 113     foreach (explode(',', $xkeywords['content']) as $keyword) {
 114         $tags[trim($keyword)] = true;
 115     }
 116 }
 117 $indexDoc->tags = array_keys($tags);
 118
 119 //dates
 120 $arSxdates = $sx->xpath('/html/head/meta[@name="DC.date.created"]');
 121 if (count($arSxdates)) {
 122     $indexDoc->crdate = date('c', strtotime((string) $arSxdates[0]['content']));
 123 }
 124 //FIXME: keep creation date from database, or use modified date if we
 125 // do not have it there
 126
 127 $arSxdates = $sx->xpath('/html/head/meta[@name="DC.date.modified"]');
 128 if (count($arSxdates)) {
 129     $indexDoc->modate = date('c', strtotime((string) $arSxdates[0]['content']));
 130 } else {
 131     $lm = $res->getHeader('last-modified');
 132     if ($lm !== null) {
 133         $indexDoc->modate = date('c', strtotime($lm));
 134     } else {
 135         //use current time since we don't have any other data
 136         $indexDoc->modate = date('c');
 137     }
 138 }
 139
 140 //language
 141 //there may be "en-US" and "de-DE"
 142 $indexDoc->language = strtolower(substr((string) $sx['lang'], 0, 2));
 143 //FIXME: fallback, autodetection
 144 //FIXME: check noindex
 145
 146
 147 //var_dump($indexDoc);
 148
 149 $indexDoc->status = 'indexed';
 150
 151 //FIXME: update index if it exists already
 152 $r = new Elasticsearch_Request(
 153     $GLOBALS['phinde']['elasticsearch'] . 'document/' . rawurlencode($url),
 154     \HTTP_Request2::METHOD_PUT
 155 );
 156 $r->setBody(json_encode($indexDoc));
 157 $r->send();
 158
 159
 160 ?>