src/phorkie/HtmlParser.php

   1 <?php
   2 namespace phorkie;
   3
   4 class HtmlParser
   5 {
   6     /**
   7      * Contains error message when parse() failed
   8      */
   9     public $error;
  10
  11     /**
  12      * Array with keys (URL title) and values (arrays of urls)
  13      * Only supported URLs are included.
  14      *
  15      * @var array
  16      */
  17     protected $arGitUrls;
  18
  19
  20
  21     /**
  22      * Extract git URLs from the given URL, eventually fetching
  23      * HTML and extracting URLs from there.
  24      *
  25      * Sets $error and $arGitUrls class variables
  26      *
  27      * @param string $url  Git or HTTP URL
  28      * @param string $html HTML content of $url
  29      *
  30      * @return boolean True when all went well, false in case of an error
  31      * @uses   $error
  32      * @uses   $arGitUrls
  33      */
  34     public function extractGitUrls($url, $html = null)
  35     {
  36         if ($url == '') {
  37             $this->error = 'Empty fork URL';
  38             return false;
  39         }
  40
  41         $arUrl  = parse_url($url);
  42         $scheme = isset($arUrl['scheme']) ? $arUrl['scheme'] : '';
  43
  44         if ($scheme == 'https' && isset($arUrl['host'])
  45             && $arUrl['host'] == 'gist.github.com'
  46         ) {
  47             //https://gist.github.com/cweiske/2400389
  48             // clone URL: https://gist.github.com/2400389.git
  49             $parts = explode('/', ltrim($arUrl['path'], '/'));
  50             if (count($parts == 2)) {
  51                 //we only want the number, not the user name
  52                 $path = $parts[1];
  53             } else {
  54                 $path = ltrim($arUrl['path'], '/');
  55             }
  56             $title = $this->getHtmlTitle($url);
  57             if ($title === null) {
  58                 $this->arGitUrls[][] = 'https://gist.github.com/'
  59                     . $path . '.git';
  60             } else {
  61                 $this->arGitUrls[$title][] = 'https://gist.github.com/'
  62                     . $path . '.git';
  63             }
  64             return true;
  65         }
  66
  67         switch ($scheme) {
  68         case 'git':
  69             //clearly a git url
  70             $this->arGitUrls = array(array($url));
  71             return true;
  72
  73         case 'ssh':
  74             //FIXME: maybe loosen this when we know how to skip the
  75             //"do you trust this server" question of ssh
  76             $this->error = 'ssh:// URLs are not supported';
  77             return false;
  78
  79         case 'http':
  80         case 'https':
  81             return $this->extractUrlsFromHtml($url, $html);
  82         }
  83
  84         $this->error = 'Unknown URLs scheme: ' . $scheme;
  85         return false;
  86     }
  87
  88     protected function extractUrlsFromHtml($url, $html = null)
  89     {
  90         //HTML is not necessarily well-formed, and Gitorious has many problems
  91         // in this regard
  92         //$sx = simplexml_load_file($url);
  93
  94         libxml_use_internal_errors(true);
  95         if ($html === null) {
  96             $sx = simplexml_import_dom(\DOMDocument::loadHTMLFile($url));
  97         } else {
  98             $sx = simplexml_import_dom(\DOMDocument::loadHTML($html));
  99         }
 100         //FIXME: handle network error
 101
 102         $elems = $sx->xpath('//*[@rel="vcs-git"]');
 103         $titles = $sx->xpath('/html/head/title');
 104         $pageTitle = $this->cleanPageTitle((string) reset($titles));
 105
 106         $count = $anonymous = 0;
 107         foreach ($elems as $elem) {
 108             if (!isset($elem['href'])) {
 109                 continue;
 110             }
 111             $str = (string)$elem;
 112             if (isset($elem['title'])) {
 113                 //<link href=".." rel="vcs-git" title="title" />
 114                 $title = (string)$elem['title'];
 115             } else if ($str != '') {
 116                 //<a href=".." rel="vcs-git">title</a>
 117                 $title = $str;
 118             } else if ($pageTitle != '') {
 119                 $title = $pageTitle;
 120             } else {
 121                 $title = 'Unnamed repository #' . ++$anonymous;
 122             }
 123             $url = (string)$elem['href'];
 124             if ($this->isSupported($url)) {
 125                 ++$count;
 126                 $this->arGitUrls[$title][] = $url;
 127             }
 128         }
 129
 130         if ($count > 0) {
 131             return true;
 132         }
 133
 134         $this->error = 'No git:// clone URL found';
 135         return false;
 136     }
 137
 138     public function getGitUrls()
 139     {
 140         return $this->arGitUrls;
 141     }
 142
 143     /**
 144      * Remove application names from HTML page titles
 145      *
 146      * @param string $title HTML page title
 147      *
 148      * @return string Cleaned HTML page title
 149      */
 150     protected function cleanPageTitle($title)
 151     {
 152         $title = trim($title);
 153         if (substr($title, -9) == '- phorkie') {
 154             $title = trim(substr($title, 0, -9));
 155         }
 156
 157         return $title;
 158     }
 159
 160     public function isSupported($url)
 161     {
 162         $scheme = parse_url($url, PHP_URL_SCHEME);
 163         return $scheme == 'git'
 164             || $scheme == 'http' || $scheme == 'https';
 165     }
 166
 167     /**
 168      * Extract the title from a HTML URL
 169      *
 170      * @param string $url URL to a HTML page
 171      *
 172      * @return string|null NULL on error, title otherwise
 173      */
 174     public function getHtmlTitle($url)
 175     {
 176         libxml_use_internal_errors(true);
 177         $doc = \DOMDocument::loadHTMLFile($url);
 178         if ($doc === false) {
 179             return null;
 180         }
 181         $sx = simplexml_import_dom($doc);
 182         $title = (string) $sx->head->title;
 183         if ($title == '') {
 184             return null;
 185         }
 186         return $title;
 187     }
 188 }
 189 ?>