/[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 121 by dpavlin, Sat Apr 28 13:08:50 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 tree) );
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 element_by_triplet {
199            my $self = shift;
200    
201            my $args = {@_};
202    
203            my $tree = $args->{tree} || die "no tree";
204            my $message = $args->{message};
205            my $fatal = $args->{fatal};
206            die "no templates" unless defined( $args->{templates} );
207            my @templates = @{ $args->{templates} };
208    
209            push @templates, ( undef, undef ) if ( $#templates == 0 );
210    
211            die "wrapper doesn't have 3 elements but ", $#templates unless (
212                    ( $#templates + 1 ) % 3 == 0
213            );
214    
215            my ( $result, $el, $attr, $value );
216    
217            my @tags;
218    
219            while ( @templates ) {
220                    ( $el,$attr,$value ) = splice( @templates, 0, 3 );
221                    my $tag = $attr ? "<$el $attr=\"$value\">" : "<$el>";
222                    push @tags, $tag;
223                    $self->log->debug("looking for $message $tag");
224                    $result = $tree->look_down( '_tag', $el, sub {
225                                    return 1 unless ( $attr && $value );
226                                    ( $_[0]->attr( $attr ) || '' ) eq $value;
227                    });
228                    last if $result;
229            }
230    
231            if ( ! $result ) {
232                    my $msg = "can't find $message ", join(" ", @tags);
233                    die $msg if ( $fatal );
234                    warn $msg;
235                    return;
236            }
237    
238            return $result;
239    }
240    
241    sub scrape {
242            my $self = shift;
243    
244            my $args = {@_};
245    
246            $self->log->debug("scrape with args ",dump($args));
247    
248            my ($feed,$uri,$q) = ($self->feed, $self->uri,$self->q);
249            die "no uri" unless ($uri);
250            die "feed is not a Grep::Model::Feed but ", ref $feed unless $feed->isa('Grep::Model::Feed');
251    
252            sub mech_warn {
253                    my $m = shift || return;
254                    warn $m;
255            }
256    
257            my $mech = WWW::Mechanize->new(
258                    cookie_jar => {},
259                    onwarn => \&mech_warn,
260                    onerror => \&mech_warn,
261            );
262    
263            $mech->get( $uri );
264    
265            $self->save( 'get.html', $mech->content );
266    
267            if ( my $form = $args->{submit_form} ) {
268                    $self->log->debug("submit form on $uri with ", dump( $form ));
269                    $mech->submit_form( %$form ) or die "can't submit form ", dump( $form );
270                    $self->save( 'submit.html', $mech->content );
271            }
272    
273            $self->log->debug("parse result page");
274    
275            my $tree = HTML::TreeBuilder->new or die "can't create html tree";
276            $tree->parse( $mech->content ) or die "can't parse fetched content";
277    
278            my $div = $self->element_by_triplet(
279                    tree => $tree,
280                    templates => $args->{wrapper},
281                    message => 'wrapper for all results',
282                    fatal => 1
283            );
284    
285            my $max = 15;
286            my $nr = 1;
287    
288            my $base_uri = $uri;
289            $base_uri =~ s!\?.*$!!;
290    
291            my @r = $self->element_by_triplet(
292                    tree => $tree,
293                    templates => $args->{results},
294                    message => 'result element',
295            );
296    
297            foreach my $dt ( @r ) {
298                    my $a = $dt->look_down( '_tag', 'a', sub { $_[0]->attr('href') } );
299                    if ( $a ) {
300    
301                            my $href = $a->attr('href') or die "can't find href inside <", $args->{results}, ">";
302                            my $page_uri = URI->new_abs( $a->attr('href'), $base_uri );
303                            $page_uri->query( undef );
304                            $page_uri = $page_uri->canonical;
305    
306                            $self->log->debug("fetching page: ",$a->as_text," from $page_uri");
307                            if ( $mech->follow_link( url => $a->attr('href') ) ) {
308    
309                                    $self->save( "page-${nr}.html", $mech->content );
310    
311                                    my $page_tree = HTML::TreeBuilder->new or die "can't create page tree";
312                                    $page_tree->parse( $mech->content ) or die "can't parse page at $page_uri";
313                                    $div = $self->element_by_triplet(
314                                            tree => $page_tree,
315                                            message => "result $nr",
316                                            templates => $args->{scrape}
317                                    );
318    
319                                    $self->add_record(
320                                            in_feed => $feed,
321                                            title => $mech->title,
322                                            link => $page_uri,
323                                            content => $div->as_HTML,
324    #                                       summary =>
325    #                                       category =>
326    #                                       author =>
327    #                                       issued =>
328    #                                       modified =>
329                                    ) if ( $div );
330    
331                                    $mech->back;
332                                    $page_tree->delete;
333    
334                            } else {
335                                    warn "can't follow uri $page_uri: $!\n";
336                            }
337                    } else {
338                            $self->log->debug("result $nr doesn't have link inside, ignoring...");
339                  }                  }
340    
341                    last if ($nr == $max);
342                    $nr++;
343            }
344    
345            $tree->delete; # clear memory!
346    
347    }
348    
349    =head2 save
350    
351      save( 'name', $content );
352    
353    Save dumps into C</tmp/grep> if writable
354    
355    =cut
356    
357    sub save {
358            my $self = shift;
359            my ( $file, $content ) = @_;
360            return unless ( defined($file) && defined($content) );
361            if ( -w '/tmp/grep' ) {
362                    open(my $f, '>', "/tmp/grep/$file") or die "can't open $file: $!";
363                    print $f $content or die "can't write to $file: $!";
364                    close $f or die "can't close $file: $!";
365                    $self->log->debug("saved $file ",length($content)," bytes");
366          }          }
367  }  }
368    
Legend:
Removed from v.74  
changed lines
  Added in v.121
  ViewVC Help
Powered by ViewVC 1.1.26