mirror of
https://github.com/YGGverse/Yo.git
synced 2026-03-31 17:55:35 +00:00
init gemini protocol implementation
This commit is contained in:
yggverse
parent
8418a56617
commit
1f96ca8a2c
11 changed files with 204 additions and 2422 deletions
|
|
@ -6,7 +6,7 @@ $microtime = microtime(true);
|
|||
// Load dependencies
|
||||
require_once __DIR__ . '/../../../vendor/autoload.php';
|
||||
|
||||
// Define helpers
|
||||
// Define helpers @TODO move to separated library (yo-php)
|
||||
function getLastSnapTime(array $files): int
|
||||
{
|
||||
$time = [];
|
||||
|
|
@ -37,6 +37,40 @@ function getLastSnapTime(array $files): int
|
|||
return 0;
|
||||
}
|
||||
|
||||
function relative2absolute(
|
||||
string $source, // current document url to grab the base
|
||||
string $target, // relative or absolute link
|
||||
?string &$scheme = null,
|
||||
?string &$host = null,
|
||||
?int &$port = null
|
||||
) {
|
||||
if (!parse_url($target, PHP_URL_HOST))
|
||||
{
|
||||
$scheme = parse_url($base, PHP_URL_SCHEME);
|
||||
$host = parse_url($base, PHP_URL_HOST);
|
||||
$port = parse_url($base, PHP_URL_PORT);
|
||||
|
||||
return $scheme . '://' . $host . ($port ? ':' . $port : null) .
|
||||
'/' .
|
||||
trim(
|
||||
ltrim(
|
||||
str_replace(
|
||||
[
|
||||
'./',
|
||||
'../'
|
||||
],
|
||||
'',
|
||||
$target
|
||||
),
|
||||
'/'
|
||||
),
|
||||
'.'
|
||||
);
|
||||
}
|
||||
|
||||
return $target;
|
||||
}
|
||||
|
||||
// Init config
|
||||
$config = json_decode(
|
||||
file_get_contents(
|
||||
|
|
@ -182,16 +216,16 @@ foreach($index->search('')
|
|||
|
||||
$data =
|
||||
[
|
||||
'url' => $document->get('url'),
|
||||
'title' => $document->get('title'),
|
||||
'description' => $document->get('description'),
|
||||
'keywords' => $document->get('keywords'),
|
||||
'code' => $document->get('code'),
|
||||
'size' => $document->get('size'),
|
||||
'mime' => $document->get('mime'),
|
||||
'rank' => $document->get('rank'),
|
||||
'time' => $time,
|
||||
'index' => 0
|
||||
'url' => $document->get('url'),
|
||||
'h1' => $document->get('h1'),
|
||||
'h2' => $document->get('h2'),
|
||||
'h3' => $document->get('h3'),
|
||||
'code' => $document->get('code'),
|
||||
'size' => $document->get('size'),
|
||||
'meta' => $document->get('meta'),
|
||||
'rank' => $document->get('rank'),
|
||||
'time' => $time,
|
||||
'index' => 0
|
||||
];
|
||||
|
||||
// Debug target
|
||||
|
|
@ -205,114 +239,50 @@ foreach($index->search('')
|
|||
);
|
||||
}
|
||||
|
||||
// Update index time anyway and set reset code to 404
|
||||
// Update index time anyway and set reset code to 51
|
||||
$index->updateDocument(
|
||||
[
|
||||
'time' => time(),
|
||||
'code' => 200,
|
||||
'code' => 20,
|
||||
'index' => 0
|
||||
],
|
||||
$document->getId()
|
||||
);
|
||||
|
||||
// Request remote URL
|
||||
$request = curl_init(
|
||||
$request = new \Yggverse\Gemini\Client\Request(
|
||||
$document->get('url')
|
||||
);
|
||||
|
||||
// Drop URL with long response
|
||||
curl_setopt(
|
||||
$request,
|
||||
CURLOPT_CONNECTTIMEOUT,
|
||||
$config->cli->document->crawl->curl->connection->timeout
|
||||
);
|
||||
|
||||
curl_setopt(
|
||||
$request,
|
||||
CURLOPT_TIMEOUT,
|
||||
$config->cli->document->crawl->curl->connection->timeout
|
||||
);
|
||||
|
||||
// Prevent huge content download e.g. media streams URL
|
||||
curl_setopt(
|
||||
$request,
|
||||
CURLOPT_RETURNTRANSFER,
|
||||
true
|
||||
);
|
||||
|
||||
curl_setopt(
|
||||
$request,
|
||||
CURLOPT_NOPROGRESS,
|
||||
false
|
||||
);
|
||||
|
||||
curl_setopt(
|
||||
$request,
|
||||
CURLOPT_PROGRESSFUNCTION,
|
||||
function(
|
||||
$download,
|
||||
$downloaded,
|
||||
$upload,
|
||||
$uploaded
|
||||
) {
|
||||
global $config;
|
||||
|
||||
global $index;
|
||||
global $document;
|
||||
|
||||
$index->updateDocument(
|
||||
[
|
||||
'time' => time(),
|
||||
'code' => 200,
|
||||
'index' => 0
|
||||
],
|
||||
$document->getId()
|
||||
);
|
||||
|
||||
return $downloaded > $config->cli->document->crawl->curl->download->size->max ? 1 : 0;
|
||||
}
|
||||
$response = new \Yggverse\Gemini\Client\Response(
|
||||
$request->getResponse(
|
||||
$config->cli->document->crawl->connection->timeout,
|
||||
$config->cli->document->crawl->connection->length,
|
||||
$config->cli->document->crawl->connection->chunk,
|
||||
$length
|
||||
)
|
||||
);
|
||||
|
||||
// Begin request
|
||||
if ($response = curl_exec($request))
|
||||
if ($code = $request->getCode()) // @TODO process redirects
|
||||
{
|
||||
// Update HTTP code or skip on empty
|
||||
if ($code = curl_getinfo($request, CURLINFO_HTTP_CODE))
|
||||
{
|
||||
// Delete deprecated document from index as HTTP code still not 200
|
||||
/*
|
||||
if ($code != 200 && !empty($data['code']) && $data['code'] != 200)
|
||||
{
|
||||
$index->deleteDocument(
|
||||
$document->getId()
|
||||
);
|
||||
|
||||
continue;
|
||||
}
|
||||
*/
|
||||
|
||||
$data['code'] = $code;
|
||||
|
||||
} else continue;
|
||||
// Update status code
|
||||
$data['code'] = $code;
|
||||
|
||||
// Update size or skip on empty
|
||||
if ($size = curl_getinfo($request, CURLINFO_SIZE_DOWNLOAD))
|
||||
if ($length)
|
||||
{
|
||||
$size = round( // float
|
||||
$size
|
||||
);
|
||||
|
||||
$data['size'] = $size;
|
||||
$data['size'] = $length;
|
||||
|
||||
} else continue;
|
||||
|
||||
// Update MIME type or skip on empty
|
||||
if ($type = curl_getinfo($request, CURLINFO_CONTENT_TYPE))
|
||||
// Update meta or skip on empty
|
||||
if ($meta = $response->getMeta())
|
||||
{
|
||||
$data['mime'] = $type;
|
||||
$data['meta'] = $meta;
|
||||
|
||||
// On document charset specified
|
||||
if (preg_match('/charset=([^\s;]+)/i', $type, $charset))
|
||||
if (preg_match('/charset=([^\s;]+)/i', $meta, $charset))
|
||||
{
|
||||
if (!empty($charset[1]))
|
||||
{
|
||||
|
|
@ -322,10 +292,12 @@ foreach($index->search('')
|
|||
if (strtolower($charset[1]) == strtolower($encoding))
|
||||
{
|
||||
// Convert response to UTF-8
|
||||
$response = mb_convert_encoding(
|
||||
$response,
|
||||
'UTF-8',
|
||||
$charset[1]
|
||||
$response->setBody(
|
||||
mb_convert_encoding(
|
||||
$response->getBody(),
|
||||
'UTF-8',
|
||||
$charset[1]
|
||||
)
|
||||
);
|
||||
|
||||
break;
|
||||
|
|
@ -336,241 +308,102 @@ foreach($index->search('')
|
|||
|
||||
} else continue;
|
||||
|
||||
// DOM crawler
|
||||
if (
|
||||
false !== stripos($type, 'text/html')
|
||||
||
|
||||
false !== stripos($type, 'text/xhtml')
|
||||
||
|
||||
false !== stripos($type, 'application/xhtml')
|
||||
) {
|
||||
$crawler = new Symfony\Component\DomCrawler\Crawler();
|
||||
$crawler->addHtmlContent(
|
||||
$response
|
||||
// Gemtext parser
|
||||
if (false !== stripos($response->getMeta(), 'text/gemini'))
|
||||
{
|
||||
$body = new \Yggverse\Gemini\Client\Gemtext\Body(
|
||||
$response->getBody()
|
||||
);
|
||||
|
||||
// Get title
|
||||
foreach ($crawler->filter('head > title')->each(function($node) {
|
||||
|
||||
return $node->text();
|
||||
|
||||
}) as $value)
|
||||
// Get H1
|
||||
$h1 = [];
|
||||
foreach ($body->getH1() as $value)
|
||||
{
|
||||
if (!empty($value))
|
||||
{
|
||||
$data['title'] = trim(
|
||||
strip_tags(
|
||||
html_entity_decode(
|
||||
$value
|
||||
)
|
||||
)
|
||||
);
|
||||
}
|
||||
$h1[] = $value;
|
||||
}
|
||||
|
||||
// Get description
|
||||
foreach ($crawler->filter('head > meta[name="description"]')->each(function($node) {
|
||||
|
||||
return $node->attr('content');
|
||||
|
||||
}) as $value)
|
||||
{
|
||||
if (!empty($value))
|
||||
{
|
||||
$data['description'] = trim(
|
||||
strip_tags(
|
||||
html_entity_decode(
|
||||
$value
|
||||
)
|
||||
)
|
||||
);
|
||||
}
|
||||
}
|
||||
|
||||
// Get keywords
|
||||
$keywords = [];
|
||||
|
||||
// Extract from meta tag
|
||||
foreach ($crawler->filter('head > meta[name="keywords"]')->each(function($node) {
|
||||
|
||||
return $node->attr('content');
|
||||
|
||||
}) as $value)
|
||||
{
|
||||
if (!empty($value))
|
||||
{
|
||||
foreach ((array) explode(
|
||||
',',
|
||||
mb_strtolower(
|
||||
strip_tags(
|
||||
html_entity_decode(
|
||||
$value
|
||||
)
|
||||
)
|
||||
)
|
||||
) as $keyword)
|
||||
{
|
||||
// Remove extra spaces
|
||||
$keyword = trim(
|
||||
$keyword
|
||||
);
|
||||
|
||||
// Skip short words
|
||||
if (mb_strlen($keyword) > 2)
|
||||
{
|
||||
$keywords[] = $keyword;
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
// Get keywords from headers
|
||||
/* Disable keywords collection from headers as body index enabled
|
||||
|
||||
foreach ($crawler->filter('h1,h2,h3,h4,h5,h6')->each(function($node) {
|
||||
|
||||
return $node->text();
|
||||
|
||||
}) as $value)
|
||||
{
|
||||
if (!empty($value))
|
||||
{
|
||||
foreach ((array) explode(
|
||||
',',
|
||||
mb_strtolower(
|
||||
strip_tags(
|
||||
html_entity_decode(
|
||||
$value
|
||||
)
|
||||
)
|
||||
)
|
||||
) as $keyword)
|
||||
{
|
||||
// Remove extra spaces
|
||||
$keyword = trim(
|
||||
$keyword
|
||||
);
|
||||
|
||||
// Skip short words
|
||||
if (mb_strlen($keyword) > 2)
|
||||
{
|
||||
$keywords[] = $keyword;
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
*/
|
||||
|
||||
// Keep keywords unique
|
||||
$keywords = array_unique(
|
||||
$keywords
|
||||
$data['h1'] = implode(
|
||||
',',
|
||||
array_unique(
|
||||
$h1
|
||||
)
|
||||
);
|
||||
|
||||
// Update previous keywords when new value exists
|
||||
if ($keywords)
|
||||
// Get H1
|
||||
$h2 = [];
|
||||
foreach ($body->getH2() as $value)
|
||||
{
|
||||
$data['keywords'] = implode(',', $keywords);
|
||||
$h2[] = $value;
|
||||
}
|
||||
|
||||
$data['h2'] = implode(
|
||||
',',
|
||||
array_unique(
|
||||
$h2
|
||||
)
|
||||
);
|
||||
|
||||
// Get H3
|
||||
$h3 = [];
|
||||
foreach ($body->getH3() as $value)
|
||||
{
|
||||
$h3[] = $value;
|
||||
}
|
||||
|
||||
$data['h3'] = implode(
|
||||
',',
|
||||
array_unique(
|
||||
$h3
|
||||
)
|
||||
);
|
||||
|
||||
// Save document body text to index
|
||||
foreach ($crawler->filter('html > body')->each(function($node) {
|
||||
$data['body'] = trim(
|
||||
preg_replace(
|
||||
'/[\s]{2,}/', // strip extra separators
|
||||
' ',
|
||||
$response->getBody()
|
||||
)
|
||||
);
|
||||
|
||||
return $node->html();
|
||||
|
||||
}) as $value)
|
||||
{
|
||||
if (!empty($value))
|
||||
{
|
||||
$data['body'] = trim(
|
||||
preg_replace(
|
||||
'/[\s]{2,}/', // strip extra separators
|
||||
' ',
|
||||
strip_tags(
|
||||
str_replace( // make text separators before strip any closing tag, new line, etc
|
||||
[
|
||||
'<',
|
||||
'>',
|
||||
PHP_EOL,
|
||||
],
|
||||
[
|
||||
' <',
|
||||
'> ',
|
||||
PHP_EOL . ' ',
|
||||
],
|
||||
preg_replace(
|
||||
[
|
||||
'/<script([^>]*)>([\s\S]*?)<\/script>/i', // strip js content
|
||||
'/<style([^>]*)>([\s\S]*?)<\/style>/i', // strip css content
|
||||
'/<pre([^>]*)>([\s\S]*?)<\/pre>/i', // strip code content
|
||||
'/<code([^>]*)>([\s\S]*?)<\/code>/i',
|
||||
],
|
||||
'',
|
||||
html_entity_decode(
|
||||
$value
|
||||
)
|
||||
)
|
||||
)
|
||||
)
|
||||
)
|
||||
);
|
||||
}
|
||||
}
|
||||
|
||||
// Crawl documents
|
||||
// Crawl links
|
||||
$documents = [];
|
||||
|
||||
$scheme = parse_url($document->get('url'), PHP_URL_SCHEME);
|
||||
$host = parse_url($document->get('url'), PHP_URL_HOST);
|
||||
$port = parse_url($document->get('url'), PHP_URL_PORT);
|
||||
|
||||
foreach ($config->cli->document->crawl->selector as $selector => $settings)
|
||||
foreach ($body->getLinks() as $line)
|
||||
{
|
||||
foreach ($crawler->filter($selector)->each(function($node) {
|
||||
$link = new \Yggverse\Gemini\Gemtext\Link(
|
||||
$line
|
||||
);
|
||||
|
||||
return $node;
|
||||
if ($url = $link->getAddress())
|
||||
{
|
||||
//Make relative links absolute
|
||||
$url = relative2absolute(
|
||||
$document->get('url'),
|
||||
$url,
|
||||
$scheme,
|
||||
$host,
|
||||
$port,
|
||||
);
|
||||
|
||||
}) as $value) {
|
||||
|
||||
if ($url = $value->attr($settings->attribute))
|
||||
// Regex rules
|
||||
if (!preg_match($config->cli->document->crawl->url->regex, $url))
|
||||
{
|
||||
//Make relative links absolute
|
||||
if (!parse_url($url, PHP_URL_HOST))
|
||||
{
|
||||
$url = $scheme . '://' . $host . ($port ? ':' . $port : null) .
|
||||
'/' .
|
||||
trim(
|
||||
ltrim(
|
||||
str_replace(
|
||||
[
|
||||
'./',
|
||||
'../'
|
||||
],
|
||||
'',
|
||||
$url
|
||||
),
|
||||
'/'
|
||||
),
|
||||
'.'
|
||||
);
|
||||
}
|
||||
|
||||
// Regex rules
|
||||
if (!preg_match($settings->regex, $url))
|
||||
{
|
||||
continue;
|
||||
}
|
||||
|
||||
// External host rules
|
||||
if (!$settings->external && parse_url($url, PHP_URL_HOST) != $host)
|
||||
{
|
||||
continue;
|
||||
}
|
||||
|
||||
$documents[] = $url;
|
||||
continue;
|
||||
}
|
||||
|
||||
// External host rules
|
||||
if (!$config->cli->document->crawl->url->external && parse_url($url, PHP_URL_HOST) != $host)
|
||||
{
|
||||
continue;
|
||||
}
|
||||
|
||||
$documents[] = $url;
|
||||
}
|
||||
}
|
||||
|
||||
// @TODO find document links by protocol ($body->findLinks('gemini'))
|
||||
|
||||
if ($documents)
|
||||
{
|
||||
foreach (array_unique($documents) as $url)
|
||||
|
|
@ -578,7 +411,7 @@ foreach($index->search('')
|
|||
// Apply stripos condition
|
||||
$skip = false;
|
||||
|
||||
foreach ($config->cli->document->crawl->skip->stripos->url as $condition)
|
||||
foreach ($config->cli->document->crawl->url->skip->stripos as $condition)
|
||||
{
|
||||
if (false !== stripos($url, $condition)) {
|
||||
|
||||
|
|
@ -597,7 +430,7 @@ foreach($index->search('')
|
|||
date('c'),
|
||||
$url,
|
||||
print_r(
|
||||
$config->cli->document->crawl->skip->stripos->url,
|
||||
$config->cli->document->crawl->url->skip->stripos,
|
||||
true
|
||||
)
|
||||
);
|
||||
|
|
@ -701,7 +534,7 @@ foreach($index->search('')
|
|||
}
|
||||
|
||||
// Create snap
|
||||
if ($config->cli->document->crawl->snap->enabled && $code === 200)
|
||||
if ($config->cli->document->crawl->snap->enabled && $request->getCode() === 20)
|
||||
{
|
||||
try
|
||||
{
|
||||
|
|
@ -734,12 +567,12 @@ foreach($index->search('')
|
|||
|
||||
$snap->addFromString(
|
||||
'DATA',
|
||||
$response
|
||||
$response->getBody()
|
||||
);
|
||||
|
||||
$snap->addFromString(
|
||||
'MIME',
|
||||
$type
|
||||
'META',
|
||||
$response->getMeta()
|
||||
);
|
||||
|
||||
$snap->addFromString(
|
||||
|
|
@ -767,12 +600,12 @@ foreach($index->search('')
|
|||
// Copy to local storage on enabled
|
||||
if ($config->snap->storage->local->enabled)
|
||||
{
|
||||
// Check for mime allowed
|
||||
// Check for meta allowed
|
||||
$allowed = false;
|
||||
|
||||
foreach ($config->snap->storage->local->mime->stripos as $whitelist)
|
||||
foreach ($config->snap->storage->local->meta->stripos as $whitelist)
|
||||
{
|
||||
if (false !== stripos($type, $whitelist))
|
||||
if (false !== stripos($response->getMeta(), $whitelist))
|
||||
{
|
||||
$allowed = true;
|
||||
break;
|
||||
|
|
@ -904,12 +737,12 @@ foreach($index->search('')
|
|||
continue;
|
||||
}
|
||||
|
||||
// Check for mime allowed
|
||||
// Check for meta allowed
|
||||
$allowed = false;
|
||||
|
||||
foreach ($ftp->mime->stripos as $whitelist)
|
||||
foreach ($ftp->meta->stripos as $whitelist)
|
||||
{
|
||||
if (false !== stripos($type, $whitelist))
|
||||
if (false !== stripos($response->getMeta(), $whitelist))
|
||||
{
|
||||
$allowed = true;
|
||||
break;
|
||||
|
|
|
|||
Loading…
Add table
Add a link
Reference in a new issue