wamblee.org Git - utils/blob - crawler/kiss/src/org/wamblee/crawler/kiss/main/KissCrawler.java

   1 /*
   2  * Copyright 2005 the original author or authors.
   3  *
   4  * Licensed under the Apache License, Version 2.0 (the "License");
   5  * you may not use this file except in compliance with the License.
   6  * You may obtain a copy of the License at
   7  *
   8  *      http://www.apache.org/licenses/LICENSE-2.0
   9  *
  10  * Unless required by applicable law or agreed to in writing, software
  11  * distributed under the License is distributed on an "AS IS" BASIS,
  12  * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  13  * See the License for the specific language governing permissions and
  14  * limitations under the License.
  15  */
  16
  17 package org.wamblee.crawler.kiss.main;
  18
  19 import java.io.File;
  20 import java.io.FileInputStream;
  21 import java.io.FileNotFoundException;
  22 import java.io.IOException;
  23 import java.io.InputStream;
  24 import java.util.ArrayList;
  25 import java.util.List;
  26 import java.util.regex.Matcher;
  27 import java.util.regex.Pattern;
  28
  29 import javax.mail.MessagingException;
  30
  31 import org.apache.commons.httpclient.HttpClient;
  32 import org.apache.commons.logging.Log;
  33 import org.apache.commons.logging.LogFactory;
  34 import org.wamblee.crawler.Action;
  35 import org.wamblee.crawler.Configuration;
  36 import org.wamblee.crawler.Crawler;
  37 import org.wamblee.crawler.Page;
  38 import org.wamblee.crawler.PageException;
  39 import org.wamblee.crawler.impl.ConfigurationParser;
  40 import org.wamblee.crawler.impl.CrawlerImpl;
  41 import org.wamblee.crawler.kiss.guide.Channel;
  42 import org.wamblee.crawler.kiss.guide.PrintVisitor;
  43 import org.wamblee.crawler.kiss.guide.Program;
  44 import org.wamblee.crawler.kiss.guide.TVGuide;
  45 import org.wamblee.crawler.kiss.guide.Time;
  46 import org.wamblee.crawler.kiss.guide.TimeInterval;
  47 import org.wamblee.crawler.kiss.notification.NotificationException;
  48 import org.wamblee.crawler.kiss.notification.Notifier;
  49 import org.wamblee.general.BeanFactory;
  50 import org.wamblee.xml.ClasspathUriResolver;
  51 import org.wamblee.xml.XslTransformer;
  52
  53 /**
  54  * The KiSS crawler for automatic recording of interesting TV shows.
  55  *
  56  */
  57 public class KissCrawler {
  58
  59     private static final Log LOG = LogFactory.getLog(KissCrawler.class);
  60
  61     /**
  62      * Start URL of the electronic programme guide.
  63      */
  64     private static final String START_URL = "http://epg.kml.kiss-technology.com/login_core.php";
  65
  66     /**
  67      * Default socket timeout to use.
  68      */
  69     private static final int SOCKET_TIMEOUT = 10000;
  70
  71     /**
  72      * Regular expression for matching time interval strings in the retrieved
  73      * pages.
  74      */
  75     private static final String TIME_REGEX = "([0-9]{2}):([0-9]{2})[^0-9]*([0-9]{2}):([0-9]{2}).*";
  76
  77     /**
  78      * Compiled pattern for the time regular expression.
  79      */
  80     private Pattern _pattern;
  81
  82     /**
  83      * Runs the KiSS crawler.
  84      *
  85      * @param aArgs
  86      *            Arguments, currently all ignored because they are hardcoded.
  87      * @throws Exception
  88      *             In case of problems.
  89      */
  90     public static void main(String[] aArgs) throws Exception {
  91         String crawlerConfig = new File(aArgs[0]).getCanonicalPath();
  92         String programConfig = new File(aArgs[1]).getCanonicalPath();
  93
  94         BeanFactory factory = new StandaloneCrawlerBeanFactory();
  95         Notifier notifier = factory.find(Notifier.class);
  96         new KissCrawler(START_URL, SOCKET_TIMEOUT, crawlerConfig, programConfig, notifier, new Report());
  97     }
  98
  99     /**
 100      * Constructs the crawler. This retrieves the TV guide by crawling the KiSS
 101      * EPG guide, filters the guide for interesting programs, tries to record
 102      * them, and sends a summary mail to the user.
 103      *
 104      * @param aCrawlerConfig
 105      *            Configuration file for the crawler.
 106      * @param aProgramConfig
 107      *            Configuration file describing interesting shows.
 108      * @param aNotifier Object used to send notifications of the results.
 109      * @param aReport Report to use.
 110      * @throws IOException
 111      *             In case of problems reading files.
 112      * @throws NotificationException In case notification fails.
 113      * @throws PageException In case of problems retrieving the TV guide.
 114      */
 115     public KissCrawler(String aCrawlerConfig,
 116             String aProgramConfig, Notifier aNotifier, Report aReport) throws IOException, NotificationException, PageException {
 117         this(START_URL, SOCKET_TIMEOUT, aCrawlerConfig, aProgramConfig, aNotifier, aReport);
 118     }
 119
 120
 121     /**
 122      * Constructs the crawler. This retrieves the TV guide by crawling the KiSS
 123      * EPG guide, filters the guide for interesting programs, tries to record
 124      * them, and sends a summary mail to the user.
 125      *
 126      * @param aStartUrl
 127      *            Start URL of the electronic programme guide.
 128      * @param aSocketTimeout Socket timeout to use.
 129      * @param aCrawlerConfig
 130      *            Configuration file for the crawler.
 131      * @param aProgramConfig
 132      *            Configuration file describing interesting shows.
 133      * @param aNotifier Object used to send notifications of the results.
 134      * @param aReport Report to use.
 135      * @throws IOException
 136      *             In case of problems reading files.
 137      * @throws NotificationException In case notification fails.
 138      * @throws PageException In case of problems retrieving the TV guide.
 139      */
 140     public KissCrawler(String aStartUrl, int aSocketTimeout, String aCrawlerConfig,
 141             String aProgramConfig, Notifier aNotifier, Report aReport) throws IOException, NotificationException, PageException {
 142
 143         _pattern = Pattern.compile(TIME_REGEX);
 144
 145         try {
 146             HttpClient client = new HttpClient();
 147             // client.getHostConfiguration().setProxy("127.0.0.1", 3128);
 148             client.getParams().setParameter("http.socket.timeout", SOCKET_TIMEOUT);
 149
 150             XslTransformer transformer = new XslTransformer(
 151                     new ClasspathUriResolver());
 152
 153             Crawler crawler = createCrawler(aCrawlerConfig, client, transformer);
 154             InputStream programConfigFile = new FileInputStream(new File(
 155                     aProgramConfig));
 156             ProgramConfigurationParser parser = new ProgramConfigurationParser(
 157                     transformer);
 158             parser.parse(programConfigFile);
 159             List<ProgramFilter> programFilters = parser.getFilters();
 160
 161             try {
 162                 Page page = getStartPage(aStartUrl, crawler, aReport);
 163                 TVGuide guide = createGuide(page, aReport);
 164                 PrintVisitor printer = new PrintVisitor(System.out);
 165                 guide.accept(printer);
 166                 processResults(programFilters, guide, aNotifier,
 167                         aReport);
 168             } catch (PageException e) {
 169                 aReport.addMessage("Problem getting TV guide", e);
 170                 LOG.info("Problem getting TV guide", e);
 171                 throw e;
 172             }
 173             aNotifier.send(aReport.asXml());
 174         } finally {
 175             System.out.println("Crawler finished");
 176         }
 177     }
 178
 179     /**
 180      * Records interesting shows.
 181      *
 182      * @param aProgramCondition
 183      *            Condition determining which shows are interesting.
 184      * @param aGuide
 185      *            Television guide.
 186      * @throws MessagingException
 187      *             In case of problems sending a summary mail.
 188      */
 189     private void processResults(List<ProgramFilter> aProgramCondition,
 190             TVGuide aGuide, Notifier aNotifier, Report aReport) {
 191         ProgramActionExecutor executor = new ProgramActionExecutor(aReport);
 192         for (ProgramFilter filter : aProgramCondition) {
 193             List<Program> programs = filter.apply(aGuide);
 194             ProgramAction action = filter.getAction();
 195             for (Program program : programs) {
 196                 action.execute(program, executor);
 197             }
 198         }
 199         executor.commit();
 200
 201     }
 202
 203     /**
 204      * Creates the crawler.
 205      *
 206      * @param aCrawlerConfig
 207      *            Crawler configuration file.
 208      * @param aOs
 209      *            Logging output stream for the crawler.
 210      * @param aClient
 211      *            HTTP Client to use.
 212      * @return Crawler.
 213      * @throws FileNotFoundException
 214      *             In case configuration files cannot be found.
 215      */
 216     private Crawler createCrawler(String aCrawlerConfig, HttpClient aClient,
 217             XslTransformer aTransformer) throws FileNotFoundException {
 218         ConfigurationParser parser = new ConfigurationParser(aTransformer);
 219         InputStream crawlerConfigFile = new FileInputStream(new File(
 220                 aCrawlerConfig));
 221         Configuration config = parser.parse(crawlerConfigFile);
 222         Crawler crawler = new CrawlerImpl(aClient, config);
 223         return crawler;
 224     }
 225
 226     /**
 227      * Gets the start page of the electronic programme guide. This involves
 228      * login and navigation to a suitable start page after logging in.
 229      *
 230      * @param aStartUrl
 231      *            URL of the electronic programme guide.
 232      * @param aCrawler
 233      *            Crawler to use.
 234      * @param aReport
 235      *            Report to use.
 236      * @return Starting page.
 237      */
 238     private Page getStartPage(String aStartUrl, Crawler aCrawler, Report aReport)
 239             throws PageException {
 240         try {
 241             Page page = aCrawler.getPage(aStartUrl);
 242             Action favorites = page.getAction("channels-favorites");
 243             if (favorites == null) {
 244                 String msg = "Channels favorites action not found on start page";
 245                 throw new PageException(msg);
 246             }
 247             return favorites.execute();
 248         } catch (PageException e) {
 249             String msg = "Could not complete login to electronic programme guide.";
 250             throw new PageException(msg, e);
 251         }
 252     }
 253
 254     /**
 255      * Creates the TV guide by web crawling.
 256      *
 257      * @param aPage
 258      *            Starting page.
 259      * @param aReport
 260      *            Report to use.
 261      * @return TV guide.
 262      * @throws PageException In case of problem getting the tv guide.
 263      */
 264     private TVGuide createGuide(Page aPage, Report aReport) throws PageException {
 265         LOG.info("Obtaining full TV guide");
 266         Action[] actions = aPage.getActions();
 267         if ( actions.length == 0 ) {
 268             LOG.error("No channels found");
 269             throw new PageException("No channels found");
 270         }
 271         List<Channel> channels = new ArrayList<Channel>();
 272         for (Action action : actions) {
 273             try {
 274                 LOG.info("Getting channel info for '" + action.getName() + "'");
 275                 Action rightNow = action.execute().getAction("right-now");
 276                 if (rightNow == null) {
 277                     throw new PageException("Channel summary page for '"
 278                             + action.getName()
 279                             + "' does not contain required information");
 280                 }
 281                 Channel channel = createChannel(action.getName(), rightNow
 282                         .execute(), aReport);
 283                 channels.add(channel);
 284                 if (SystemProperties.isDebugMode()) {
 285                     break; // Only one channel is crawled.
 286                 }
 287             } catch (PageException e) {
 288                 aReport.addMessage("Could not create channel information for '"
 289                         + action.getName() + "'");
 290                 LOG.error("Could not create channel information for '"
 291                         + action.getName() + "'", e);
 292             }
 293         }
 294         return new TVGuide(channels);
 295     }
 296
 297     /**
 298      * Create channel information for a specific channel.
 299      *
 300      * @param aChannel
 301      *            Channel name.
 302      * @param aPage
 303      *            Starting page for the channel.
 304      * @return Channel.
 305      */
 306     private Channel createChannel(String aChannel, Page aPage, Report aReport) {
 307         LOG.info("Obtaining program for " + aChannel);
 308         Action[] programActions = aPage.getActions();
 309         List<Program> programs = new ArrayList<Program>();
 310         for (Action action : programActions) {
 311             String time = action.getContent().element("time").getText().trim();
 312             Matcher matcher = _pattern.matcher(time);
 313             if (matcher.matches()) {
 314                 Time begin = new Time(Integer.parseInt(matcher.group(1)),
 315                         Integer.parseInt(matcher.group(2)));
 316                 Time end = new Time(Integer.parseInt(matcher.group(3)), Integer
 317                         .parseInt(matcher.group(4)));
 318                 TimeInterval interval = new TimeInterval(begin, end);
 319                 String description = "";
 320                 String keywords = "";
 321                 if (!SystemProperties.isNoProgramDetailsRequired()) {
 322                     try {
 323                         Page programInfo = action.execute();
 324                         description = programInfo.getContent().element(
 325                                 "description").getText().trim();
 326                         keywords = programInfo.getContent().element("keywords")
 327                                 .getText().trim();
 328                     } catch (PageException e) {
 329                         String msg =   "Program details could not be determined for '"
 330                             + action.getName() + "'";
 331                         aReport.addMessage(msg, e);
 332                         LOG.warn(msg, e);
 333                     }
 334                 }
 335                 Program program = new Program(aChannel, action.getName(),
 336                         description, keywords, interval, action);
 337
 338                 LOG.info("Got program " + program);
 339                 programs.add(program);
 340             }
 341         }
 342         return new Channel(aChannel, programs);
 343     }
 344 }