Keskustelu: Koodit: PHP: Hesari RSS-feedi

<?php
	/*	hsrss.php v. 1.0.1	Copyright © 2004 Karri "Blaze" Kahelin
	*
	*	Parsii RSS-feedin Hesarin purkkakoodista.
	*
	*	Get-parametrit:
	*	teksti: 1=linkit tekstiversioon, 0=linkit graafiseen versioon (oletus)
	*/
	header('Content-Type: text/xml; charset=ISO-8859-15');
	/*header('Content-Type: text/plain; charset=ISO-8859-15'); //Oiva testausta varten */

	/* Haetaan purkka Hesarin palvelimelta */
	$material = getURLContents('http://www.helsinginsanomat.fi/teksti/tuoreet/aikajarjestys/');

	/* Tarkistellaan, annettiinko parametreja, jos ei, isketään oletukset kehiin */
	if(!isset($_GET['teksti'])) {
		$textv = 0;
	} else {
		$textv = $_GET['teksti'];
	}

	/* Tulostetaan "pakolliset kuviot" ennen varsinaisia <item>-elementtejä */
	printHeader();
	/* Tulostetaan <item>-elementit sisältöineen */
	$i = 0;
	while($returnValue != -1) {
		$returnValue = printItem ($i);
		$i++;
	}
	/* Tulostetaan pari lopetustagia */
	printFooter();

	/* Korvaa html_entity_decode:n PHP < 4.3.0:lla
	   Napsaistu osoitteesta https://www.php.net/manual/fi/function.html-entity-decode.php */
	function unhtmlentities($string) {
		$trans_tbl = get_html_translation_table(HTML_ENTITIES);
		$trans_tbl = array_flip($trans_tbl);
		return strtr($string, $trans_tbl);
	}

	function getURLContents ($URL) {
		$fileHandle = fopen($URL, 'r');
		if(!$fileHandle){
			/* Hups! */
			header('Content-Type: text/plain; charset=ISO-8859-15');
			echo "Tiedostoa $URL ei voitu avata.";
			exit(1);
		}
		/* Luetaan sivun sisältö 1024 tavua kerrallaan */
		while(!feof($fileHandle)) {
			$material .= fgets($fileHandle, 1024);
		}
		fclose($fileHandle);
		return $material;
	}

	function getStoryPos($ordinal) {
		global $material;
		$pos = 0;
		/* Loopataan, kunnes oikea juttu sattuu kohdalle */
		for ($i = 0; $i <= $ordinal; $i++){
			$pos = strpos($material, '<p class="pro85">', $pos) + 17;
		}
		$temp = ord(substr($material, $pos, 1));
		/* Jos $pos:a seuraava merkki ei kapitaali aakkonen (HS näyttää kirjoittavan nuo "KOTIMAA", "ULKOMAAT" jne. isolla),
		   ollaan menty viimeisen jutun ohi. Ei kyllä ihan idioottivarma tarkistus, mutta ainakin toistaiseksi tuntuu toimivan.
		   *crosses fingers* */
		if(((64 < $temp) && ($temp < 91))) {
			return $pos;
		} else {
			return -1;
		}
	}

	function getCategory($pos) {
		global $material;
		return substr($material, $pos ,strpos($material, '</p>', $pos) - $pos);
	}

	function getLink($pos) {
		global $material, $textv;
		$pos = strpos($material, 'href="', $pos) + 6;
		if($textv == 1) {
			return 'http://www.helsinginsanomat.fi' . substr($material, $pos, strpos($material, '"', $pos) - $pos);
		} else {
			/* Jos linkit graafiseen versioon, niin parsitaan "/teksti" (7 merkkiä) mjonon alusta pois */
			$pos += 7;
			return 'http://www.helsinginsanomat.fi' . substr($material, $pos, strpos($material, '"', $pos) - $pos);
		}
	}

	function getTitle($pos) {
		global $material;
		$pos = strpos($material, 'class="pro95"><b>', $pos) + 17;
		/* Hesarin sivut ovat UTF-8:aa, mutta näyttävät kuitenkin koodaavan ainakin ääkköset entiteetteinä .
		   Siltä varalta kuitenkin, että joukossa oikeasti olisi ei-ASCII -merkkejä ajamme tavaran utf8_decoden läpi.
		   html_entity_decodea taas tarvitaan, koska XML:ssä ei ole määritelty nimettyjä entiteettejä (&auml; & kumppanit).
		   Ilman tuota ainakin Opera ja Gecko valittavat 'undefined entity' ja kieltäytyvät parsimasta koko sivua.
		   Lopuksi ajetaan vielä str_replace & -> &amp;, jotta entiteetit, joita unhtmlentities/html_entity_decode eivät
		   tunnista (ainakin &ndash;) eivät aiheuta ylimääräisiä virheilmoituksia. */
		return str_replace('&', '&amp;', unhtmlentities(utf8_decode(strip_tags(substr($material, $pos, strpos($material, '<br>', $pos) - $pos)))));
	}

	function getStory($pos) {
		global $material;
		$pos = strpos($material, '<span class="pro95">', $pos) + 20;
		/* Sama täällä */
		return str_replace('&', '&amp;', unhtmlentities(utf8_decode(substr($material, $pos, strpos($material, '</span>', $pos) - $pos))));
	}

	function printHeader() {
		echo "<?xml version=\"1.0\" encoding=\"ISO-8859-15\"?>\n";
		echo "<rss version=\"2.0\">\n";
		echo "\t<channel>\n";
		echo "\t\t<title>HS Verkkoliite - Tuoreimmat uutiset</title>\n";
		echo "\t\t<link>http://www.helsinginsanomat.fi/tuoreet/</link>\n";
		echo "\t\t<description>Helsingin Sanomien Verkkoliite. Tuoreimmat uutiset aamusta iltaan.</description>\n";
		echo "\t\t<language>fi</language>\n";
		echo "\t\t<copyright>Copyright 2004 Helsingin Sanomat Verkkoliite</copyright>\n";
		echo "\t\t<generator>hsrss.php v.1.0.1</generator>\n";
		echo "\t\t<category>Newspapers</category>\n";
		echo "\t\t<docs>http://blogs.law.harvard.edu/tech/rss/</docs>\n";
	}

	function printItem($ordinal) {
		$pos = getStoryPos($ordinal);
		if($pos != -1) {
			echo "\t\t<item>\n";
			echo "\t\t\t<category>" . getCategory($pos) . "</category>\n";
			echo "\t\t\t<link>" . getLink($pos) . "</link>\n";
			echo "\t\t\t<title>" . getTitle($pos) . "</title>\n";
			echo "\t\t\t<description>" . getStory($pos) . "</description>\n";
			echo "\t\t</item>\n";
		}
		return $pos;
	}

	function printFooter() {
		echo "\t</channel>\n";
		echo "</rss>";
	}
?>