/[Grep]/lib/Grep/Source.pm
This is repository of my old source code which isn't updated any more. Go to git.rot13.org for current projects!
ViewVC logotype

Diff of /lib/Grep/Source.pm

Parent Directory Parent Directory | Revision Log Revision Log | View Patch Patch

revision 74 by dpavlin, Fri Feb 23 17:16:33 2007 UTC revision 110 by dpavlin, Wed Mar 14 20:02:19 2007 UTC
# Line 7  package Grep::Source; Line 7  package Grep::Source;
7    
8  use Carp qw/verbose/;  use Carp qw/verbose/;
9  use Module::Pluggable search_path => 'Grep::Source', sub_name => 'sources', require => 1;  use Module::Pluggable search_path => 'Grep::Source', sub_name => 'sources', require => 1;
10  use base qw(Class::Accessor);  use base qw(Class::Accessor Jifty::Object);
11  Grep::Source->mk_accessors( qw(feed uri q new_items collection) );  Grep::Source->mk_accessors( qw(feed uri q new_items collection search_obj) );
12    
13    use HTML::TreeBuilder;
14    use WWW::Mechanize;
15    use XML::Feed;
16    use URI;
17    use HTML::ResolveLink;
18    
19  use Data::Dump qw/dump/;  use Data::Dump qw/dump/;
20    
# Line 95  sub search { Line 101  sub search {
101    
102          $self->uri( $uri );          $self->uri( $uri );
103    
104          Jifty->log->info( $message );          $self->log->info( $message );
105    
106          $self->collection( Grep::Model::ItemCollection->new() );          $self->collection( Grep::Model::ItemCollection->new() );
107    
108          my $class = $self->feed->source || 'Grep::Source::Feed';          my $class = $self->feed->source || 'Grep::Source::Feed';
109          Jifty->log->debug("using $class");          $self->log->debug("using $class");
110    
111            $self->search_obj( Grep::Search->new() );
112            $self->log->debug("created " . $self->search_obj);
113    
114          $class->fetch( $self );          $class->fetch( $self );
115    
116          Grep::Search->finish if $self->new_items;          $self->search_obj->finish;
117    
118          return $self->collection;          return $self->collection;
119  }  }
# Line 123  This will also update L</new_items> Line 132  This will also update L</new_items>
132  sub add_record {  sub add_record {
133          my $self = shift;          my $self = shift;
134    
135            $self->log->confess("no search_obj") unless ($self->search_obj);
136    
137          my $i = Grep::Model::Item->new();          my $i = Grep::Model::Item->new();
138    
139          my ($ok,$msg) = $i->load_or_create( @_ );          my $rec = {@_};
140    
141            $self->log->debug("resolving links using base ", $rec->{link});
142            my $resolver = HTML::ResolveLink->new( base => $rec->{link} );
143            $rec->{content} = $resolver->resolve( $rec->{content} );
144    
145            my ($ok,$msg) = $i->load_or_create( %$rec );
146    
147          $msg ||= '';          $msg ||= '';
148    
149          if ( $ok ) {          if ( $ok ) {
150                  Jifty->log->debug("item ", $i->id, ": $msg");                  $self->log->debug("item ", $i->id, ": $msg");
151                  $self->collection->add_record( $i );                  $self->collection->add_record( $i );
152    
153                  # is new record?                  # is new record?
154                  if ( $msg !~ m/^Found/ ) {                  if ( $msg !~ m/^Found/ ) {
155                          Grep::Search->add( $i );                          $self->search_obj->add( $i );
156                          $self->new_items( ( $self->new_items || 0 ) + 1 );                          $self->new_items( ( $self->new_items || 0 ) + 1 );
157                  }                  }
158          } else {          } else {
# Line 157  sub content_class { Line 174  sub content_class {
174          my $content = shift or die "no content?";          my $content = shift or die "no content?";
175    
176          foreach my $s ( $self->sources ) {          foreach my $s ( $self->sources ) {
177                  Jifty->log->debug("testing source class $s");                  $self->log->debug("testing source class $s");
178                  if ($s->can('content_have') && $s->content_have( $content ) ) {                  if ( $s->can('content_have') ) {
179                          Jifty->log->debug("${s}->content_have succesful");                          my $regex =     $s->content_have( $content ) or
180                          return "$s";                                  die "${s}->content_have didn't return anything";
181                            die "${s}->content_have didn't return regex but ", dump( $regex ), " ref ", ref( $regex )
182                                    unless ( ref($regex) eq 'Regexp' );
183                            if ( $content =~ $regex ) {
184                                    $self->log->debug("${s}->content_have succesful");
185                                    return $s;
186                            }
187                    }
188            }
189    }
190    
191    =head2 scrape
192    
193    Create semi-complex L<WWW::Mechanize> rules to scrape page
194    
195    
196    =cut
197    
198    sub scrape {
199            my $self = shift;
200    
201            my $args = {@_};
202    
203            $self->log->debug("scrape with args ",dump($args));
204    
205            my ($feed,$uri,$q) = ($self->feed, $self->uri,$self->q);
206            die "no uri" unless ($uri);
207            die "feed is not a Grep::Model::Feed but ", ref $feed unless $feed->isa('Grep::Model::Feed');
208    
209            sub mech_warn {
210                    my $m = shift || return;
211                    warn $m;
212            }
213    
214            my $mech = WWW::Mechanize->new(
215                    cookie_jar => {},
216                    onwarn => \&mech_warn,
217                    onerror => \&mech_warn,
218            );
219    
220            $mech->get( $uri );
221    
222            $self->save( 'get.html', $mech->content );
223    
224            if ( my $form = $args->{submit_form} ) {
225                    $self->log->debug("submit form on $uri with ", dump( $form ));
226                    $mech->submit_form( %$form ) or die "can't submit form ", dump( $form );
227                    $self->save( 'submit.html', $mech->content );
228            }
229    
230            $self->log->debug("parse result page");
231    
232            my $tree = HTML::TreeBuilder->new or die "can't create html tree";
233            $tree->parse( $mech->content ) or die "can't parse fetched content";
234    
235            die "wrapper doesn't have 3 elements but ", $#{ $args->{wrapper} } unless ( $#{ $args->{wrapper} } == 2 );
236            my ( $el,$attr,$value ) = @{ $args->{wrapper} };
237    
238            $self->log->debug("looking for <$el $attr=\"$value\">");
239    
240            my $div = $tree->look_down( '_tag', $el, sub {
241                            ( $_[0]->attr( $attr ) || '' ) eq $value;
242            });
243    
244            if ( ! $div ) {
245                    warn "can't find results wrapper <$el $attr=\"$value\">";
246                    return;
247            }
248    
249            my $max = 15;
250            my $nr = 1;
251    
252            my $base_uri = $uri;
253            $base_uri =~ s!\?.*$!!;
254    
255            foreach my $dt ( $div->look_down( '_tag', $args->{results} ) ) {
256                    my $a = $dt->look_down( '_tag', 'a', sub { $_[0]->attr('href') } );
257                    if ( $a ) {
258    
259                            my $href = $a->attr('href') or die "can't find href inside <", $args->{results}, ">";
260                            my $page_uri = URI->new_abs( $a->attr('href'), $base_uri );
261                            $page_uri->query( undef );
262                            $page_uri = $page_uri->canonical;
263    
264                            $self->log->debug("fetching page: ",$a->as_text," from $page_uri");
265                            if ( $mech->follow_link( url => $a->attr('href') ) ) {
266    
267                                    $self->save( "page-${nr}.html", $mech->content );
268    
269                                    my $page_tree = HTML::TreeBuilder->new or die "can't create page tree";
270                                    $page_tree->parse( $mech->content ) or die "can't parse page at $page_uri";
271    
272                                    ( $el,$attr,$value ) = @{ $args->{scrape} };
273                                    $div = $page_tree->look_down( '_tag', $el, sub { ( $_[0]->attr( $attr ) || '' ) eq $value } );
274    
275                                    die "can't find <$el $attr=\"$value\">" unless ($div);
276    
277                                    $self->add_record(
278                                            in_feed => $feed,
279                                            title => $mech->title,
280                                            link => $page_uri,
281                                            content => $div->as_HTML,
282    #                                       summary =>
283    #                                       category =>
284    #                                       author =>
285    #                                       issued =>
286    #                                       modified =>
287                                    );
288    
289                                    $mech->back;
290                                    $page_tree->delete;
291    
292                            } else {
293                                    warn "can't follow uri $page_uri: $!\n";
294                            }
295                  }                  }
296    
297                    last if ($nr == $max);
298                    $nr++;
299            }
300    
301            $tree->delete; # clear memory!
302    
303    }
304    
305    =head2 save
306    
307      save( 'name', $content );
308    
309    Save dumps into C</tmp/grep> if writable
310    
311    =cut
312    
313    sub save {
314            my $self = shift;
315            my ( $file, $content ) = @_;
316            return unless ( defined($file) && defined($content) );
317            if ( -w '/tmp/grep' ) {
318                    open(my $f, '>', "/tmp/grep/$file") or die "can't open $file: $!";
319                    print $f $content or die "can't write to $file: $!";
320                    close $f or die "can't close $file: $!";
321                    $self->log->debug("saved $file ",length($content)," bytes");
322          }          }
323  }  }
324    
Legend:
Removed from v.74  
changed lines
  Added in v.110
  ViewVC Help
Powered by ViewVC 1.1.26