]> git.wh0rd.org Git - tt-rss.git/commitdiff
rework feed content mangling algorithm
authorAndrew Dolgov <fox@bah.spb.su>
Tue, 21 Aug 2007 14:15:50 +0000 (15:15 +0100)
committerAndrew Dolgov <fox@bah.spb.su>
Tue, 21 Aug 2007 14:15:50 +0000 (15:15 +0100)
magpierss/rss_fetch.inc
magpierss/rss_parse.inc

index 77a1a704f9abfa3bc099520ca38e0e39663a3a90..126dc630a9e1e676587e1fe757d0c0b2a365c9d6 100644 (file)
@@ -279,33 +279,6 @@ function _fetch_remote_file ($url, $headers = "" ) {
 
 }
 
-function _convert_entities ($string) {
-       # Source: http://www.w3.org/TR/REC-html40/sgml/entities.html
-       $html_entities = array(
-               "&nbsp",   "&iexcl",  "&cent",   "&pound",  "&curren", "&yen",    "&brvbar", "&sect",   "&uml",    "&copy",
-               "&ordf",   "&laquo",  "&not",    "&shy",    "&reg",    "&macr",   "&deg",    "&plusmn", "&sup2",   "&sup3",
-               "&acute",  "&micro",  "&para",   "&middot", "&cedil",  "&sup1",   "&ordm",   "&raquo",  "&frac14", "&frac12",
-               "&frac34", "&iquest", "&Agrave", "&Aacute", "&Acirc",  "&Atilde", "&Auml",   "&Aring",  "&AElig",  "&Ccedil",
-               "&Egrave", "&Eacute", "&Ecirc",  "&Euml",   "&Igrave", "&Iacute", "&Icirc",  "&Iuml",   "&ETH",    "&Ntilde",
-               "&Ograve", "&Oacute", "&Ocirc",  "&Otilde", "&Ouml",   "&times",  "&Oslash", "&Ugrave", "&Uacute", "&Ucirc",
-               "&Uuml",   "&Yacute", "&THORN",  "&szlig",  "&agrave", "&aacute", "&acirc",  "&atilde", "&auml",   "&aring",
-               "&aelig",  "&ccedil", "&egrave", "&eacute", "&ecirc",  "&euml",   "&igrave", "&iacute", "&icirc",  "&iuml",
-               "&eth",    "&ntilde", "&ograve", "&oacute", "&ocirc",  "&otilde", "&ouml",   "&divide", "&oslash", "&ugrave",
-               "&uacute", "&ucirc",  "&uuml",   "&yacute", "&thorn",  "&yuml",);
-       $numeric_entities = array(
-               "&#160;", "&#161;", "&#162;", "&#163;", "&#164;", "&#165;", "&#166;", "&#167;", "&#168;", "&#169;",
-               "&#170;", "&#171;", "&#172;", "&#173;", "&#174;", "&#175;", "&#176;", "&#177;", "&#178;", "&#179;",
-               "&#180;", "&#181;", "&#182;", "&#183;", "&#184;", "&#185;", "&#186;", "&#187;", "&#188;", "&#189;",
-               "&#190;", "&#191;", "&#192;", "&#193;", "&#194;", "&#195;", "&#196;", "&#197;", "&#198;", "&#199;",
-               "&#200;", "&#201;", "&#202;", "&#203;", "&#204;", "&#205;", "&#206;", "&#207;", "&#208;", "&#209;",
-               "&#210;", "&#211;", "&#212;", "&#213;", "&#214;", "&#215;", "&#216;", "&#217;", "&#218;", "&#219;",
-               "&#220;", "&#221;", "&#222;", "&#223;", "&#224;", "&#225;", "&#226;", "&#227;", "&#228;", "&#229;",
-               "&#230;", "&#231;", "&#232;", "&#233;", "&#234;", "&#235;", "&#236;", "&#237;", "&#238;", "&#239;",
-               "&#240;", "&#241;", "&#242;", "&#243;", "&#244;", "&#245;", "&#246;", "&#247;", "&#248;", "&#249;",
-               "&#250;", "&#251;", "&#252;", "&#253;", "&#254;", "&#255;");
-       return str_replace($html_entities, $numeric_entities, $string);
-}
-
 /*=======================================================================*\
     Function:   _response_to_rss
     Purpose:    parse an HTTP response object into an RSS object
@@ -313,8 +286,7 @@ function _convert_entities ($string) {
     Output:     parsed RSS object (see rss_parse)
 \*=======================================================================*/
 function _response_to_rss ($resp) {
-    $converted_source = _convert_entities($resp->results);
-    $rss = new MagpieRSS( $converted_source, MAGPIE_OUTPUT_ENCODING, "UTF-8", false);
+    $rss = new MagpieRSS( $resp->results, MAGPIE_OUTPUT_ENCODING, "UTF-8", false);
     
     // if RSS parsed successfully       
     if ( $rss and !$rss->ERROR) {
index 66e5e65f22b40310522b9975aa1720c46bd679e5..3aff57a50c925647bc8fe62b203207bc7fdd70be 100644 (file)
 define('RSS', 'RSS');
 define('ATOM', 'Atom');
 
+function _convert_entities ($string) {
+       # Source: http://www.w3.org/TR/REC-html40/sgml/entities.html
+       $html_entities = array(
+               "&nbsp",   "&iexcl",  "&cent",   "&pound",  "&curren", "&yen",    "&brvbar", "&sect",   "&uml",    "&copy",
+               "&ordf",   "&laquo",  "&not",    "&shy",    "&reg",    "&macr",   "&deg",    "&plusmn", "&sup2",   "&sup3",
+               "&acute",  "&micro",  "&para",   "&middot", "&cedil",  "&sup1",   "&ordm",   "&raquo",  "&frac14", "&frac12",
+               "&frac34", "&iquest", "&Agrave", "&Aacute", "&Acirc",  "&Atilde", "&Auml",   "&Aring",  "&AElig",  "&Ccedil",
+               "&Egrave", "&Eacute", "&Ecirc",  "&Euml",   "&Igrave", "&Iacute", "&Icirc",  "&Iuml",   "&ETH",    "&Ntilde",
+               "&Ograve", "&Oacute", "&Ocirc",  "&Otilde", "&Ouml",   "&times",  "&Oslash", "&Ugrave", "&Uacute", "&Ucirc",
+               "&Uuml",   "&Yacute", "&THORN",  "&szlig",  "&agrave", "&aacute", "&acirc",  "&atilde", "&auml",   "&aring",
+               "&aelig",  "&ccedil", "&egrave", "&eacute", "&ecirc",  "&euml",   "&igrave", "&iacute", "&icirc",  "&iuml",
+               "&eth",    "&ntilde", "&ograve", "&oacute", "&ocirc",  "&otilde", "&ouml",   "&divide", "&oslash", "&ugrave",
+               "&uacute", "&ucirc",  "&uuml",   "&yacute", "&thorn",  "&yuml",);
+       $numeric_entities = array(
+               "&#160;", "&#161;", "&#162;", "&#163;", "&#164;", "&#165;", "&#166;", "&#167;", "&#168;", "&#169;",
+               "&#170;", "&#171;", "&#172;", "&#173;", "&#174;", "&#175;", "&#176;", "&#177;", "&#178;", "&#179;",
+               "&#180;", "&#181;", "&#182;", "&#183;", "&#184;", "&#185;", "&#186;", "&#187;", "&#188;", "&#189;",
+               "&#190;", "&#191;", "&#192;", "&#193;", "&#194;", "&#195;", "&#196;", "&#197;", "&#198;", "&#199;",
+               "&#200;", "&#201;", "&#202;", "&#203;", "&#204;", "&#205;", "&#206;", "&#207;", "&#208;", "&#209;",
+               "&#210;", "&#211;", "&#212;", "&#213;", "&#214;", "&#215;", "&#216;", "&#217;", "&#218;", "&#219;",
+               "&#220;", "&#221;", "&#222;", "&#223;", "&#224;", "&#225;", "&#226;", "&#227;", "&#228;", "&#229;",
+               "&#230;", "&#231;", "&#232;", "&#233;", "&#234;", "&#235;", "&#236;", "&#237;", "&#238;", "&#239;",
+               "&#240;", "&#241;", "&#242;", "&#243;", "&#244;", "&#245;", "&#246;", "&#247;", "&#248;", "&#249;",
+               "&#250;", "&#251;", "&#252;", "&#253;", "&#254;", "&#255;");
+       return str_replace($html_entities, $numeric_entities, $string);
+}
+
+
+
 require_once (MAGPIE_DIR . 'rss_utils.inc');
 
 /**
@@ -149,12 +178,14 @@ class MagpieRSS {
                                                $enc = mb_detect_encoding($string);
                                        }
 
+                                       # try fix XML, pass 1
+
                                        $source = mb_convert_encoding($source, "UTF-8", $enc);
 
                                        list($parser, $source) = $this->create_parser($source, 
                        $output_encoding, $input_encoding, $detect_encoding);
 
-                             $this->parser = $parser;
+              $this->parser = $parser;
         
                        xml_set_object( $this->parser, $this );
                        xml_set_element_handler($this->parser, 
@@ -163,6 +194,30 @@ class MagpieRSS {
                        xml_set_character_data_handler( $this->parser, 'feed_cdata' ); 
 
                                  $status = xml_parse( $this->parser, $source);
+
+                                 # try to fix XML, pass 2
+
+                                 if (! $status) {
+                           $errorcode = xml_get_error_code( $this->parser );
+                                               if ( $errorcode != XML_ERROR_NONE ) {
+
+                                               $source = _convert_entities($source);
+
+                                               list($parser, $source) = $this->create_parser($source, 
+                               $output_encoding, $input_encoding, $detect_encoding);
+       
+                     $this->parser = $parser;
+               
+                               xml_set_object( $this->parser, $this );
+                               xml_set_element_handler($this->parser, 
+                               'feed_start_element', 'feed_end_element' );
+                               
+                               xml_set_character_data_handler( $this->parser, 'feed_cdata' ); 
+       
+                                         $status = xml_parse( $this->parser, $source);
+
+                                               }
+                                       }
                                }
                        }