source: spip-zone/_core_/branches/spip-3.0/plugins/sites/inc/syndic.php @ 92995

Last change on this file since 92995 was 92995, checked in by cedric@…, 6 years ago

On etend la prise en charge de _SYNDICATION_DEREFERENCER_URL a tout flux en verifiant que les URLs syndiquees ne sont pas des redirections, et en recuperant l'URL finale le cas echeant

File size: 15.9 KB
Line 
1<?php
2
3/***************************************************************************\
4 *  SPIP, Systeme de publication pour l'internet                           *
5 *                                                                         *
6 *  Copyright (c) 2001-2014                                                *
7 *  Arnaud Martin, Antoine Pitrou, Philippe Riviere, Emmanuel Saint-James  *
8 *                                                                         *
9 *  Ce programme est un logiciel libre distribue sous licence GNU/GPL.     *
10 *  Pour plus de details voir le fichier COPYING.txt ou l'aide en ligne.   *
11\***************************************************************************/
12
13if (!defined("_ECRIRE_INC_VERSION")) return;
14
15// ATTENTION
16// Cette inclusion charge executer_une_syndication pour compatibilite,
17// mais cette fonction ne doit plus etre invoquee directement:
18// il faut passer par cron() pour avoir un verrou portable
19// Voir un exemple dans action/editer/site
20include_spip('genie/syndic');
21
22// prend un fichier backend et retourne un tableau des items lus,
23// et une chaine en cas d'erreur
24// http://code.spip.net/@analyser_backend
25function analyser_backend($rss, $url_syndic='') {
26        include_spip('inc/texte'); # pour couper()
27
28        $rss = pipeline('pre_syndication', $rss);
29
30        // si true, les URLs de type feedburner sont dereferencees
31        define('_SYNDICATION_DEREFERENCER_URL', false);
32
33        // Echapper les CDATA
34        cdata_echappe($rss, $echappe_cdata);
35
36        // supprimer les commentaires
37        $rss = preg_replace(',<!--.*-->,Ums', '', $rss);
38
39        // simplifier le backend, en supprimant les espaces de nommage type "dc:"
40        $rss = preg_replace(',<(/?)(dc):,i', '<\1', $rss);
41
42        // chercher auteur/lang dans le fil au cas ou les items n'en auraient pas
43        list($header) = preg_split(',<(item|entry)\b,', $rss, 2);
44        if (preg_match_all(
45        ',<(author|creator)\b(.*)</\1>,Uims',
46        $header, $regs, PREG_SET_ORDER)) {
47                $les_auteurs_du_site = array();
48                foreach ($regs as $reg) {
49                        $nom = $reg[2];
50                        if (preg_match(',<name>(.*)</name>,Uims', $nom, $reg))
51                                $nom = $reg[1];
52                        $les_auteurs_du_site[] = trim(textebrut(filtrer_entites($nom)));
53                }
54                $les_auteurs_du_site = join(', ', array_unique($les_auteurs_du_site));
55        } else
56                $les_auteurs_du_site = '';
57        if ((preg_match(',<([^>]*xml:)?lang(uage)?'.'>([^<>]+)<,i',
58        $header, $match) AND $l = $match[3])
59        OR ($l = extraire_attribut(extraire_balise($header, 'feed'), 'xml:lang'))
60        )
61                $langue_du_site = $l;
62        // atom
63        elseif (preg_match(',<feed\s[^>]*xml:lang=[\'"]([^<>\'"]+)[\'"],i', $header, $match))
64                $langue_du_site = $match[1];
65
66        // Recuperer les blocs item et entry
67        $items = array_merge(extraire_balises($rss, 'item'), extraire_balises($rss, 'entry'));
68
69
70        //
71        // Analyser chaque <item>...</item> du backend et le transformer en tableau
72        //
73
74        if (!count($items)) return _T('sites:avis_echec_syndication_01');
75
76        foreach ($items as $item) {
77                $data = array();
78
79                // URL (semi-obligatoire, sert de cle)
80
81                // guid n'est un URL que si marque de <guid ispermalink="true"> ;
82                // attention la valeur par defaut est 'true' ce qui oblige a quelque
83                // gymnastique
84                if (preg_match(',<guid.*>[[:space:]]*(https?:[^<]*)</guid>,Uims',
85                $item, $regs) AND preg_match(',^(true|1)?$,i',
86                extraire_attribut($regs[0], 'ispermalink')))
87                        $data['url'] = $regs[1];
88                // contourner les redirections feedburner
89                else if (_SYNDICATION_DEREFERENCER_URL
90                AND preg_match(',<feedburner:origLink>(.*)<,Uims',
91                $item, $regs))
92                        $data['url'] = $regs[1];
93                // <link>, plus classique
94                else if (preg_match(
95                ',<link[^>]*[[:space:]]rel=["\']?alternate[^>]*>(.*)</link>,Uims',
96                $item, $regs))
97                        $data['url'] = $regs[1];
98                else if (preg_match(',<link[^>]*[[:space:]]rel=.alternate[^>]*>,Uims',
99                $item, $regs))
100                        $data['url'] = extraire_attribut($regs[0], 'href');
101                else if (preg_match(',<link[^>]*>\s*([^\s]+)\s*</link>,Uims', $item, $regs))
102                        $data['url'] = $regs[1];
103                else if (preg_match(',<link[^>]*>,Uims', $item, $regs))
104                        $data['url'] = extraire_attribut($regs[0], 'href');
105
106                // Aucun link ni guid, mais une enclosure
107                else if (preg_match(',<enclosure[^>]*>,ims', $item, $regs)
108                AND $url = extraire_attribut($regs[0], 'url'))
109                        $data['url'] = $url;
110
111                // pas d'url, c'est genre un compteur...
112                else
113                        $data['url'] = '';
114
115                // Titre (semi-obligatoire)
116                if (preg_match(",<title[^>]*>(.*?)</title>,ims",$item,$match))
117                        $data['titre'] = $match[1];
118                else if (preg_match(',<link[[:space:]][^>]*>,Uims',$item,$mat)
119                AND $title = extraire_attribut($mat[0], 'title'))
120                        $data['titre'] = $title; 
121                if (!strlen($data['titre'] = trim($data['titre'])))
122                        $data['titre'] = _T('ecrire:info_sans_titre');
123
124                // Date
125                $la_date = '';
126                if (preg_match(',<(published|modified|issued)>([^<]*)<,Uims',
127                $item,$match)) {
128                        cdata_echappe_retour($match[2], $echappe_cdata);
129                        $la_date = my_strtotime($match[2], $langue_du_site);
130                }
131                if (!$la_date AND
132                preg_match(',<(pubdate)>([^<]*)<,Uims',$item, $match)) {
133                        cdata_echappe_retour($match[2], $echappe_cdata);
134                        $la_date = my_strtotime($match[2], $langue_du_site);
135                }
136                if (!$la_date AND
137                preg_match(',<([a-z]+:date)>([^<]*)<,Uims',$item,$match)) {
138                        cdata_echappe_retour($match[2], $echappe_cdata);
139                        $la_date = my_strtotime($match[2], $langue_du_site);
140                }
141                if (!$la_date AND
142                preg_match(',<date>([^<]*)<,Uims',$item,$match)) {
143                        cdata_echappe_retour($match[1], $echappe_cdata);
144                        $la_date = my_strtotime($match[1], $langue_du_site);
145                }
146
147                // controle de validite de la date
148                // pour eviter qu'un backend errone passe toujours devant
149                // (note: ca pourrait etre defini site par site, mais ca risque d'etre
150                // plus lourd que vraiment utile)
151                if ($GLOBALS['controler_dates_rss']) {
152                        if (!$la_date
153                                OR $la_date > time() + 48 * 3600)
154                                $la_date = time();
155                }
156
157                if ($la_date)
158                        $data['date'] = $la_date;
159
160                // Honorer le <lastbuilddate> en forcant la date
161                if (preg_match(',<(lastbuilddate|updated|modified)>([^<>]+)</\1>,i',
162                $item, $regs)
163                AND $lastbuilddate = my_strtotime(trim($regs[2]), $langue_du_site)
164                // pas dans le futur
165                AND $lastbuilddate < time())
166                        $data['lastbuilddate'] = $lastbuilddate;
167
168                // Auteur(s)
169                if (preg_match_all(
170                ',<(author|creator)\b[^>]*>(.*)</\1>,Uims',
171                $item, $regs, PREG_SET_ORDER)) {
172                        $auteurs = array();
173                        foreach ($regs as $reg) {
174                                $nom = $reg[2];
175                                if (preg_match(',<name\b[^>]*>(.*)</name>,Uims', $nom, $reg))
176                                        $nom = $reg[1];
177                                // Cas particulier d'un auteur Flickr
178                                if (preg_match(',nobody@flickr.com \((.*)\),Uims', $nom, $reg))
179                                        $nom = $reg[1];
180                                $auteurs[] = trim(textebrut(filtrer_entites($nom)));
181                        }
182                        $data['lesauteurs'] = join(', ', array_unique($auteurs));
183                }
184                else
185                        $data['lesauteurs'] = $les_auteurs_du_site;
186
187                // Description
188                if (preg_match(',<(description|summary)\b.*'
189                .'>(.*)</\1\b,Uims',$item,$match)) {
190                        $data['descriptif'] = trim($match[2]);
191                }
192                if (preg_match(',<(content)\b.*'
193                .'>(.*)</\1\b,Uims',$item,$match)) {
194                        $data['content'] = trim($match[2]);
195                }
196
197                // lang
198                if (preg_match(',<([^>]*xml:)?lang(uage)?'.'>([^<>]+)<,i',
199                        $item, $match))
200                        $data['lang'] = trim($match[3]);
201                else if ($lang = trim(extraire_attribut($item, 'xml:lang')))
202                        $data['lang'] = $lang;
203                else
204                        $data['lang'] = trim($langue_du_site);
205
206                // source et url_source  (pas trouve d'exemple en ligne !!)
207                # <source url="http://www.truc.net/music/uatsap.mp3" length="19917" />
208                # <source url="http://www.truc.net/rss">Site source</source>
209                if (preg_match(',(<source[^>]*>)(([^<>]+)</source>)?,i',
210                $item, $match)) {
211                        $data['source'] = trim($match[3]);
212                        $data['url_source'] = str_replace('&amp;', '&',
213                                trim(extraire_attribut($match[1], 'url')));
214                }
215
216                // tags
217                # a partir de "<dc:subject>", (del.icio.us)
218                # ou <media:category> (flickr)
219                # ou <itunes:category> (apple)
220                # on cree nos tags microformat <a rel="directory" href="url">titre</a>
221                # http://microformats.org/wiki/rel-directory-fr
222                $tags = array();
223                if (preg_match_all(
224                ',<(([a-z]+:)?(subject|category|directory|keywords?|tags?|type))[^>]*>'
225                .'(.*?)</\1>,ims',
226                $item, $matches, PREG_SET_ORDER))
227                        $tags = ajouter_tags($matches, $item); # array()
228                elseif (preg_match_all(
229                ',<(([a-z]+:)?(subject|category|directory|keywords?|tags?|type))[^>]*/>'
230                .',ims',
231                $item, $matches, PREG_SET_ORDER))
232                        $tags = ajouter_tags($matches, $item); # array()
233                // Pieces jointes :
234                // chercher <enclosure> au format RSS et les passer en microformat
235                // ou des microformats relEnclosure,
236                // ou encore les media:content
237                if (!afficher_enclosures(join(', ', $tags))) {
238                        // on prend toutes les pièces jointes possibles, et on essaie de les rendre uniques.
239                        $enclosures = array();
240                        # rss 2
241                        if (preg_match_all(',<enclosure[[:space:]][^<>]+>,i',
242                                $item, $matches, PREG_PATTERN_ORDER)) {
243                                        $enclosures += array_map('enclosure2microformat', $matches[0]);
244                        }
245                        # atom
246                        if (preg_match_all(',<link\b[^<>]+rel=["\']?enclosure["\']?[^<>]+>,i', 
247                                $item, $matches, PREG_PATTERN_ORDER)) {
248                                        $enclosures += array_map('enclosure2microformat', $matches[0]);
249                        }
250                        # media rss
251                        if (preg_match_all(',<media:content\b[^<>]+>,i', 
252                                $item, $matches, PREG_PATTERN_ORDER)) {
253                                        $enclosures += array_map('enclosure2microformat', $matches[0]);
254                        }
255                        $data['enclosures'] = join(', ', array_unique($enclosures));
256                        unset($enclosures);
257                }
258                $data['item'] = $item;
259
260                // Nettoyer les donnees et remettre les CDATA en place
261                cdata_echappe_retour($data, $echappe_cdata);
262                cdata_echappe_retour($tags, $echappe_cdata);
263
264                // passer l'url en absolue
265                $data['url'] = url_absolue(filtrer_entites($data['url']), $url_syndic);
266
267                // si on demande un dereferencement de l'URL, il faut verifier que ce n'est pas une redirection
268                if (_SYNDICATION_DEREFERENCER_URL){
269                        $target = $data['url'];
270                        include_spip("inc/distant");
271                        for ($i = 0; $i<10; $i++){
272                                // on fait un GET et pas un HEAD car les vieux SPIP ne repondent pas la redirection avec un HEAD (honte) sur un article virtuel
273                                $res = recuperer_lapage($target, false, "GET", 4096);
274                                if (!$res) break; // c'est pas bon signe car on a pas trouve l'URL...
275                                if (is_array($res))     break; // on a trouve la page, donc on a l'URL finale
276                                $target = $res; // c'est une redirection, on la suit pour voir ou elle mene
277                        }
278                        // ici $target est l'URL finale de la page
279                        $data['url'] = $target;
280                }
281
282                // Trouver les microformats (ecrase les <category> et <dc:subject>)
283                if (preg_match_all(
284                ',<a[[:space:]]([^>]+[[:space:]])?rel=[^>]+>.*</a>,Uims',
285                $data['item'], $regs, PREG_PATTERN_ORDER)) {
286                        $tags = $regs[0];
287                }
288                // Cas particulier : tags Connotea sous la forme <a class="postedtag">
289                if (preg_match_all(
290                ',<a[[:space:]][^>]+ class="postedtag"[^>]*>.*</a>,Uims',
291                $data['item'], $regs, PREG_PATTERN_ORDER))
292                        $tags = preg_replace(', class="postedtag",i',
293                        ' rel="tag"', $regs[0]);
294
295                $data['tags'] = $tags;
296                // enlever le html des titre pour etre homogene avec les autres objets spip
297                $data['titre'] = textebrut($data['titre']);
298
299                $articles[] = $data;
300        }
301
302        return $articles;
303}
304
305
306// helas strtotime ne reconnait pas le format W3C
307// http://www.w3.org/TR/NOTE-datetime
308// http://code.spip.net/@my_strtotime
309function my_strtotime($la_date, $lang=null) {
310        // format complet
311        if (preg_match(
312        ',^(\d+-\d+-\d+[T ]\d+:\d+(:\d+)?)(\.\d+)?'
313        .'(Z|([-+]\d{2}):\d+)?$,',
314        $la_date, $match)) {
315                $la_date = str_replace("T", " ", $match[1])." GMT";
316                return strtotime($la_date) - intval($match[5]) * 3600;
317        }
318
319        // YYYY
320        if (preg_match(',^\d{4}$,', $la_date, $match))
321                return strtotime($match[0]."-01-01");
322
323        // YYYY-MM
324        if (preg_match(',^\d{4}-\d{2}$,', $la_date, $match))
325                return strtotime($match[0]."-01");
326
327        // YYYY-MM-DD hh:mm:ss
328        if (preg_match(',^\d{4}-\d{2}-\d{2}\s+\d{2}:\d{2}:\d{2}\b,', $la_date, $match))
329                return strtotime($match[0]);
330
331        // utiliser strtotime en dernier ressort
332        // en nettoyant le jour qui prefixe parfois la date, suivi d'une virgule
333        // et les UT qui sont en fait des UTC
334        $la_date_c = preg_replace("/^\w+,\s*/ms","",$la_date);
335        $la_date_c = preg_replace("/UT\s*$/ms","UTC",$la_date_c);
336        if ($s=strtotime($la_date)
337          OR $s=strtotime($la_date_c))
338                return $s;
339
340        // essayons de voir si le nom du mois est dans la langue du flux et remplacons le
341        // par la version anglaise avant de faire strtotime
342        if ($lang){
343                // "fr-fr"
344                list($lang) = explode("-", $lang);
345                static $months = null;
346                if (!isset($months[$lang])){
347                        $prev_lang = $GLOBALS['spip_lang'];
348                        changer_langue($lang);
349                        foreach(range(1,12) as $m){
350                                $s = _T("date_mois_$m");
351                                $months[$lang][$s] = date("M",strtotime("2013-$m-01"));
352                                $s = _T("date_mois_".$m."_abbr");
353                                $months[$lang][$s] = date("M",strtotime("2013-$m-01"));
354                                $months[$lang][trim($s,".")] = date("M",strtotime("2013-$m-01"));
355                        }
356                        changer_langue($prev_lang);
357                }
358                spip_log($la_date_c,"dbgs");
359                foreach($months[$lang] as $loc=>$en){
360                        if (stripos($la_date_c,$loc)!==false){
361                                $s=str_ireplace($loc,$en,$la_date_c);
362                                if ($s=strtotime($s))
363                                        return $s;
364                        }
365                }
366        }
367
368        // erreur
369        spip_log("Impossible de lire le format de date '$la_date'");
370        return false;
371}
372// A partir d'un <dc:subject> ou autre essayer de recuperer
373// le mot et son url ; on cree <a href="url" rel="tag">mot</a>
374// http://code.spip.net/@creer_tag
375function creer_tag($mot,$type,$url) {
376        if (!strlen($mot = trim($mot))) return '';
377        $mot = "<a rel=\"tag\">$mot</a>";
378        if ($url)
379                $mot = inserer_attribut($mot, 'href', $url);
380        if ($type)
381                $mot = inserer_attribut($mot, 'rel', $type);
382        return $mot;
383}
384
385
386// http://code.spip.net/@ajouter_tags
387function ajouter_tags($matches, $item) {
388        include_spip('inc/filtres');
389        $tags = array();
390        foreach ($matches as $match) {
391                $type = ($match[3] == 'category' OR $match[3] == 'directory')
392                        ? 'directory':'tag';
393                $mot = supprimer_tags($match[0]);
394                if (!strlen($mot)
395                AND !strlen($mot = extraire_attribut($match[0], 'label')))
396                        break;
397                // rechercher un url
398                if ($url = extraire_attribut($match[0], 'domain')) {
399                        // category@domain est la racine d'une url qui se prolonge
400                        // avec le contenu text du tag <category> ; mais dans SPIP < 2.0
401                        // on donnait category@domain = #URL_RUBRIQUE, et
402                        // text = #TITRE_RUBRIQUE ; d'ou l'heuristique suivante sur le slash
403                        if (substr($url, -1) == '/')
404                                $url .= rawurlencode($mot);
405                }
406                else if ($url = extraire_attribut($match[0], 'resource')
407                OR $url = extraire_attribut($match[0], 'url')
408                )
409                        {}
410
411                ## cas particuliers
412                else if (extraire_attribut($match[0], 'scheme') == 'urn:flickr:tags') {
413                        foreach(explode(' ', $mot) as $petit)
414                                if ($t = creer_tag($petit, $type,
415                                'http://www.flickr.com/photos/tags/'.rawurlencode($petit).'/'))
416                                        $tags[] = $t;
417                        $mot = '';
418                }
419                else if (
420                        // cas atom1, a faire apres flickr
421                        $term = extraire_attribut($match[0], 'term')
422                ) {
423                        if ($scheme = extraire_attribut($match[0], 'scheme'))
424                                $url = suivre_lien($scheme,$term);
425                        else
426                                $url = $term;
427                }
428                else {
429                        # type delicious.com
430                        foreach(explode(' ', $mot) as $petit)
431                                if (preg_match(',<rdf\b[^>]*\bresource=["\']([^>]*/'
432                                .preg_quote(rawurlencode($petit),',').')["\'],i',
433                                $item, $m)) {
434                                        $mot = '';
435                                        if ($t = creer_tag($petit, $type, $m[1]))
436                                                $tags[] = $t;
437                                }
438                }
439
440                if ($t = creer_tag($mot, $type, $url))
441                        $tags[] = $t;
442        }
443        return $tags;
444}
445
446
447// Lit contenu des blocs [[CDATA]] dans un flux
448// http://code.spip.net/@cdata_echappe_retour
449function cdata_echappe(&$rss, &$echappe_cdata) {
450        $echappe_cdata = array();
451        if (preg_match_all(',<!\[CDATA\[(.*)]]>,Uims', $rss,
452        $regs, PREG_SET_ORDER)) {
453                foreach ($regs as $n => $reg) {
454                        if (preg_match(',[<>],', $reg[1])) {
455                                $echappe_cdata[$n] = $reg[1];
456                                $rss = str_replace($reg[0], "@@@SPIP_CDATA$n@@@", $rss);
457                        } else
458                                $rss = str_replace($reg[0], $reg[1], $rss);
459                }
460        }
461}
462
463// Retablit le contenu des blocs [[CDATA]] dans une chaine ou un tableau
464// http://code.spip.net/@cdata_echappe_retour
465function cdata_echappe_retour(&$x, &$echappe_cdata) {
466        if (is_string($x)) {
467                if (strpos($x, '@@@SPIP_CDATA') !== false
468                OR strpos($x, '&lt;') !== false) {
469                        $x = filtrer_entites($x);
470                        foreach ($echappe_cdata as $n => $e)
471                                $x = str_replace("@@@SPIP_CDATA$n@@@", $e, $x);
472                }
473        }
474
475        else if (is_array($x)) {
476                foreach($x as $k => &$v)
477                        cdata_echappe_retour($v, $echappe_cdata);
478        }
479}
480?>
Note: See TracBrowser for help on using the repository browser.