mirror of
https://github.com/manualdousuario/marreta.git
synced 2025-09-01 10:10:14 +00:00
547 lines
19 KiB
PHP
547 lines
19 KiB
PHP
<?php
|
|
|
|
/**
|
|
* Classe responsável pela análise e processamento de URLs
|
|
*
|
|
* Esta classe implementa funcionalidades para:
|
|
* - Análise e limpeza de URLs
|
|
* - Cache de conteúdo
|
|
* - Resolução DNS
|
|
* - Requisições HTTP com múltiplas tentativas
|
|
* - Processamento de conteúdo baseado em regras específicas por domínio
|
|
* - Suporte a Wayback Machine como fallback
|
|
*/
|
|
|
|
require_once 'Rules.php';
|
|
require_once 'Cache.php';
|
|
|
|
use Curl\Curl;
|
|
|
|
class URLAnalyzer
|
|
{
|
|
/**
|
|
* @var array Lista de User Agents disponíveis para requisições
|
|
*/
|
|
private $userAgents;
|
|
|
|
/**
|
|
* @var array Lista de servidores DNS para resolução
|
|
*/
|
|
private $dnsServers;
|
|
|
|
/**
|
|
* @var Rules Instância da classe de regras
|
|
*/
|
|
private $rules;
|
|
|
|
/**
|
|
* @var Cache Instância da classe de cache
|
|
*/
|
|
private $cache;
|
|
|
|
/**
|
|
* Construtor da classe
|
|
* Inicializa as dependências necessárias
|
|
*/
|
|
public function __construct()
|
|
{
|
|
$this->userAgents = USER_AGENTS;
|
|
$this->dnsServers = explode(',', DNS_SERVERS);
|
|
$this->rules = new Rules();
|
|
$this->cache = new Cache();
|
|
}
|
|
|
|
/**
|
|
* Verifica se uma URL tem redirecionamentos e retorna a URL final
|
|
*
|
|
* @param string $url URL para verificar redirecionamentos
|
|
* @return array Array com a URL final e se houve redirecionamento
|
|
*/
|
|
public function checkRedirects($url)
|
|
{
|
|
$curl = new Curl();
|
|
$curl->setFollowLocation();
|
|
$curl->setOpt(CURLOPT_TIMEOUT, 5);
|
|
$curl->setOpt(CURLOPT_SSL_VERIFYPEER, false);
|
|
$curl->setOpt(CURLOPT_NOBODY, true);
|
|
$curl->setUserAgent($this->userAgents[array_rand($this->userAgents)]);
|
|
$curl->get($url);
|
|
|
|
if ($curl->error) {
|
|
return [
|
|
'finalUrl' => $url,
|
|
'hasRedirect' => false,
|
|
'httpCode' => $curl->httpStatusCode
|
|
];
|
|
}
|
|
|
|
return [
|
|
'finalUrl' => $curl->effectiveUrl,
|
|
'hasRedirect' => ($curl->effectiveUrl !== $url),
|
|
'httpCode' => $curl->httpStatusCode
|
|
];
|
|
}
|
|
|
|
/**
|
|
* Registra erros no arquivo de log
|
|
*
|
|
* @param string $url URL que gerou o erro
|
|
* @param string $error Mensagem de erro
|
|
*/
|
|
private function logError($url, $error)
|
|
{
|
|
$timestamp = date('Y-m-d H:i:s');
|
|
$logEntry = "[{$timestamp}] URL: {$url} - Error: {$error}" . PHP_EOL;
|
|
file_put_contents(__DIR__ . '/../logs/error.log', $logEntry, FILE_APPEND);
|
|
}
|
|
|
|
/**
|
|
* Método principal para análise de URLs
|
|
*
|
|
* @param string $url URL a ser analisada
|
|
* @return string Conteúdo processado da URL
|
|
* @throws Exception Em caso de erros durante o processamento
|
|
*/
|
|
public function analyze($url)
|
|
{
|
|
$cleanUrl = $this->cleanUrl($url);
|
|
|
|
if ($this->cache->exists($cleanUrl)) {
|
|
return $this->cache->get($cleanUrl);
|
|
}
|
|
|
|
$domain = parse_url($cleanUrl, PHP_URL_HOST);
|
|
$domain = preg_replace('/^www\./', '', $domain);
|
|
|
|
// Verificação de domínios bloqueados
|
|
foreach (BLOCKED_DOMAINS as $blockedDomain) {
|
|
// Verifica apenas correspondência exata do domínio
|
|
if ($domain === $blockedDomain) {
|
|
$error = 'Este domínio está bloqueado para extração.';
|
|
$this->logError($cleanUrl, $error);
|
|
throw new Exception($error);
|
|
}
|
|
}
|
|
|
|
$content = null;
|
|
|
|
// Primeiro, tenta buscar o conteúdo diretamente
|
|
try {
|
|
$content = $this->fetchContent($url);
|
|
} catch (Exception $e) {
|
|
// Se falhar, registra o erro de busca direta
|
|
$this->logError($url, "Direct fetch error: " . $e->getMessage());
|
|
}
|
|
|
|
// Se a busca direta falhar, tenta o Wayback Machine
|
|
if (empty($content)) {
|
|
try {
|
|
$content = $this->fetchFromWaybackMachine($url);
|
|
} catch (Exception $e) {
|
|
// Se o Wayback Machine também falhar, lança uma exceção
|
|
throw new Exception("Wayback Machine: " . $e->getMessage());
|
|
}
|
|
}
|
|
|
|
if (!empty($content)) {
|
|
$content = $this->processContent($content, $domain, $cleanUrl);
|
|
$this->cache->set($cleanUrl, $content);
|
|
return $content;
|
|
}
|
|
|
|
return null;
|
|
}
|
|
|
|
/**
|
|
* Tenta obter o conteúdo da URL do Internet Archive's Wayback Machine
|
|
*
|
|
* @param string $url URL original
|
|
* @return string|null Conteúdo do arquivo ou null se falhar
|
|
*/
|
|
private function fetchFromWaybackMachine($url)
|
|
{
|
|
// Remove o protocolo (http/https) da URL
|
|
$cleanUrl = preg_replace('#^https?://#', '', $url);
|
|
|
|
// Primeiro, verifica a disponibilidade de snapshots
|
|
$availabilityUrl = "https://archive.org/wayback/available?url=" . urlencode($cleanUrl);
|
|
|
|
$curl = new Curl();
|
|
$curl->setOpt(CURLOPT_FOLLOWLOCATION, true);
|
|
$curl->setOpt(CURLOPT_TIMEOUT, 10);
|
|
$curl->setOpt(CURLOPT_SSL_VERIFYPEER, false);
|
|
|
|
$curl->get($availabilityUrl);
|
|
|
|
if ($curl->error) {
|
|
return null;
|
|
}
|
|
|
|
$data = $curl->response;
|
|
if (!isset($data->archived_snapshots->closest->url)) {
|
|
return null;
|
|
}
|
|
|
|
// Obtém o snapshot mais recente
|
|
$archiveUrl = $data->archived_snapshots->closest->url;
|
|
|
|
// Busca o conteúdo do snapshot
|
|
$curl = new Curl();
|
|
$curl->setOpt(CURLOPT_FOLLOWLOCATION, true);
|
|
$curl->setOpt(CURLOPT_TIMEOUT, 10);
|
|
$curl->setOpt(CURLOPT_SSL_VERIFYPEER, false);
|
|
|
|
$curl->get($archiveUrl);
|
|
|
|
if ($curl->error || $curl->httpStatusCode >= 400 || empty($curl->response)) {
|
|
return null;
|
|
}
|
|
|
|
$content = $curl->response;
|
|
|
|
// Remove o toolbar do Wayback Machine
|
|
$content = preg_replace('/<!-- BEGIN WAYBACK TOOLBAR INSERT -->.*?<!-- END WAYBACK TOOLBAR INSERT -->/s', '', $content);
|
|
|
|
// Remove URLs de cache do Wayback Machine
|
|
$content = preg_replace('/https?:\/\/web\.archive\.org\/web\/\d+im_\//', '', $content);
|
|
|
|
return $content;
|
|
}
|
|
|
|
/**
|
|
* Realiza requisição HTTP usando Curl Class
|
|
*
|
|
* @param string $url URL para requisição
|
|
* @return string Conteúdo obtido
|
|
* @throws Exception Em caso de erro na requisição
|
|
*/
|
|
private function fetchContent($url)
|
|
{
|
|
$parsedUrl = parse_url($url);
|
|
$host = $parsedUrl['host'];
|
|
|
|
$domainRules = $this->getDomainRules(parse_url($url, PHP_URL_HOST));
|
|
|
|
// Obtém a configuração do user agent
|
|
$curl = new Curl();
|
|
$curl->setOpt(CURLOPT_FOLLOWLOCATION, true);
|
|
$curl->setOpt(CURLOPT_MAXREDIRS, 2);
|
|
$curl->setOpt(CURLOPT_TIMEOUT, 5);
|
|
$curl->setUserAgent($this->userAgents[array_rand($this->userAgents)]);
|
|
$curl->setOpt(CURLOPT_SSL_VERIFYPEER, false);
|
|
$curl->setOpt(CURLOPT_DNS_SERVERS, implode(',', $this->dnsServers));
|
|
|
|
// Prepara os headers
|
|
$headers = [
|
|
'Host' => $host,
|
|
'Accept' => 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
|
|
'Accept-Language' => 'pt-BR,pt;q=0.9,en-US;q=0.8,en;q=0.7',
|
|
'Cache-Control' => 'no-cache',
|
|
'Pragma' => 'no-cache'
|
|
];
|
|
|
|
// Adiciona headers específicos do domínio se existirem
|
|
if ($domainRules !== null && isset($domainRules['userAgent'])) {
|
|
$curl->setUserAgent($domainRules['userAgent']);
|
|
}
|
|
|
|
// Adiciona headers específicos do domínio se existirem
|
|
if ($domainRules !== null && isset($domainRules['headers'])) {
|
|
$headers = array_merge($headers, $domainRules['headers']);
|
|
}
|
|
|
|
$curl->setHeaders($headers);
|
|
$curl->setOpt(CURLOPT_FRESH_CONNECT, true);
|
|
|
|
if ($domainRules !== null && isset($domainRules['cookies'])) {
|
|
$cookies = [];
|
|
foreach ($domainRules['cookies'] as $name => $value) {
|
|
if ($value !== null) {
|
|
$cookies[] = $name . '=' . $value;
|
|
}
|
|
}
|
|
if (!empty($cookies)) {
|
|
$curl->setHeader('Cookie', implode('; ', $cookies));
|
|
}
|
|
}
|
|
|
|
$curl->get($url);
|
|
|
|
if ($curl->error) {
|
|
throw new Exception("Erro CURL: " . $curl->errorMessage);
|
|
}
|
|
|
|
if ($curl->httpStatusCode >= 400) {
|
|
throw new Exception("Erro HTTP: " . $curl->httpStatusCode);
|
|
}
|
|
|
|
return $curl->response;
|
|
}
|
|
|
|
/**
|
|
* Limpa e normaliza uma URL
|
|
*
|
|
* @param string $url URL para limpar
|
|
* @return string URL limpa e normalizada
|
|
*/
|
|
private function cleanUrl($url)
|
|
{
|
|
$url = trim($url);
|
|
|
|
// Verifica se a URL é válida
|
|
if (!filter_var($url, FILTER_VALIDATE_URL)) {
|
|
return false;
|
|
}
|
|
|
|
// Detecta e converte URLs AMP
|
|
if (preg_match('#https://([^.]+)\.cdn\.ampproject\.org/v/s/([^/]+)(.*)#', $url, $matches)) {
|
|
$url = 'https://' . $matches[2] . $matches[3];
|
|
}
|
|
|
|
// Separa a URL em suas partes componentes
|
|
$parts = parse_url($url);
|
|
|
|
// Reconstrói a URL base
|
|
$cleanedUrl = $parts['scheme'] . '://' . $parts['host'];
|
|
|
|
// Adiciona o caminho se existir
|
|
if (isset($parts['path'])) {
|
|
$cleanedUrl .= $parts['path'];
|
|
}
|
|
|
|
return $cleanedUrl;
|
|
}
|
|
|
|
/**
|
|
* Obtém regras específicas para um domínio
|
|
*
|
|
* @param string $domain Domínio para buscar regras
|
|
* @return array|null Regras do domínio ou null se não encontrar
|
|
*/
|
|
private function getDomainRules($domain)
|
|
{
|
|
return $this->rules->getDomainRules($domain);
|
|
}
|
|
|
|
/**
|
|
* Remove classes específicas de um elemento
|
|
*
|
|
* @param DOMElement $element Elemento DOM
|
|
* @param array $classesToRemove Classes a serem removidas
|
|
*/
|
|
private function removeClassNames($element, $classesToRemove)
|
|
{
|
|
if (!$element->hasAttribute('class')) {
|
|
return;
|
|
}
|
|
|
|
$classes = explode(' ', $element->getAttribute('class'));
|
|
$newClasses = array_filter($classes, function ($class) use ($classesToRemove) {
|
|
return !in_array(trim($class), $classesToRemove);
|
|
});
|
|
|
|
if (empty($newClasses)) {
|
|
$element->removeAttribute('class');
|
|
} else {
|
|
$element->setAttribute('class', implode(' ', $newClasses));
|
|
}
|
|
}
|
|
|
|
/**
|
|
* Corrige URLs relativas em um documento DOM
|
|
*
|
|
* @param DOMDocument $dom Documento DOM
|
|
* @param DOMXPath $xpath Objeto XPath
|
|
* @param string $baseUrl URL base para correção
|
|
*/
|
|
private function fixRelativeUrls($dom, $xpath, $baseUrl)
|
|
{
|
|
$parsedBase = parse_url($baseUrl);
|
|
$baseHost = $parsedBase['scheme'] . '://' . $parsedBase['host'];
|
|
|
|
$elements = $xpath->query("//*[@src]");
|
|
if ($elements !== false) {
|
|
foreach ($elements as $element) {
|
|
if ($element instanceof DOMElement) {
|
|
$src = $element->getAttribute('src');
|
|
if (strpos($src, 'base64') !== false) {
|
|
continue;
|
|
}
|
|
if (strpos($src, 'http') !== 0 && strpos($src, '//') !== 0) {
|
|
$src = ltrim($src, '/');
|
|
$element->setAttribute('src', $baseHost . '/' . $src);
|
|
}
|
|
}
|
|
}
|
|
}
|
|
|
|
$elements = $xpath->query("//*[@href]");
|
|
if ($elements !== false) {
|
|
foreach ($elements as $element) {
|
|
if ($element instanceof DOMElement) {
|
|
$href = $element->getAttribute('href');
|
|
if (strpos($href, 'mailto:') === 0 ||
|
|
strpos($href, 'tel:') === 0 ||
|
|
strpos($href, 'javascript:') === 0 ||
|
|
strpos($href, '#') === 0) {
|
|
continue;
|
|
}
|
|
if (strpos($href, 'http') !== 0 && strpos($href, '//') !== 0) {
|
|
$href = ltrim($href, '/');
|
|
$element->setAttribute('href', $baseHost . '/' . $href);
|
|
}
|
|
}
|
|
}
|
|
}
|
|
}
|
|
|
|
/**
|
|
* Processa o conteúdo HTML aplicando regras do domínio
|
|
*
|
|
* @param string $content Conteúdo HTML
|
|
* @param string $domain Domínio do conteúdo
|
|
* @param string $url URL completa
|
|
* @return string Conteúdo processado
|
|
*/
|
|
private function processContent($content, $domain, $url)
|
|
{
|
|
$dom = new DOMDocument();
|
|
$dom->preserveWhiteSpace = true;
|
|
libxml_use_internal_errors(true);
|
|
@$dom->loadHTML(mb_convert_encoding($content, 'HTML-ENTITIES', 'UTF-8'), LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
|
|
libxml_clear_errors();
|
|
|
|
$xpath = new DOMXPath($dom);
|
|
|
|
// Processa tags canônicas
|
|
$canonicalLinks = $xpath->query("//link[@rel='canonical']");
|
|
if ($canonicalLinks !== false) {
|
|
// Remove todas as tags canônicas existentes
|
|
foreach ($canonicalLinks as $link) {
|
|
if ($link->parentNode) {
|
|
$link->parentNode->removeChild($link);
|
|
}
|
|
}
|
|
}
|
|
// Adiciona nova tag canônica com a URL original
|
|
$head = $xpath->query('//head')->item(0);
|
|
if ($head) {
|
|
$newCanonical = $dom->createElement('link');
|
|
$newCanonical->setAttribute('rel', 'canonical');
|
|
$newCanonical->setAttribute('href', $url);
|
|
$head->appendChild($newCanonical);
|
|
}
|
|
|
|
// Sempre aplica a correção de URLs relativas
|
|
$this->fixRelativeUrls($dom, $xpath, $url);
|
|
|
|
$domainRules = $this->getDomainRules($domain);
|
|
if ($domainRules !== null) {
|
|
if (isset($domainRules['customStyle'])) {
|
|
$styleElement = $dom->createElement('style');
|
|
$styleContent = '';
|
|
foreach ($domainRules['customStyle'] as $selector => $rules) {
|
|
if (is_array($rules)) {
|
|
$styleContent .= $selector . ' { ' . implode('; ', $rules) . ' } ';
|
|
} else {
|
|
$styleContent .= $selector . ' { ' . $rules . ' } ';
|
|
}
|
|
}
|
|
$styleElement->appendChild($dom->createTextNode($styleContent));
|
|
$dom->getElementsByTagName('head')[0]->appendChild($styleElement);
|
|
}
|
|
|
|
if (isset($domainRules['customCode'])) {
|
|
$scriptElement = $dom->createElement('script');
|
|
$scriptElement->setAttribute('type', 'text/javascript');
|
|
$scriptElement->appendChild($dom->createTextNode($domainRules['customCode']));
|
|
$dom->getElementsByTagName('body')[0]->appendChild($scriptElement);
|
|
}
|
|
|
|
if (isset($domainRules['classAttrRemove'])) {
|
|
foreach ($domainRules['classAttrRemove'] as $class) {
|
|
$elements = $xpath->query("//*[contains(@class, '$class')]");
|
|
if ($elements !== false) {
|
|
foreach ($elements as $element) {
|
|
$this->removeClassNames($element, [$class]);
|
|
}
|
|
}
|
|
}
|
|
}
|
|
|
|
if (isset($domainRules['idElementRemove'])) {
|
|
foreach ($domainRules['idElementRemove'] as $id) {
|
|
$elements = $xpath->query("//*[@id='$id']");
|
|
if ($elements !== false) {
|
|
foreach ($elements as $element) {
|
|
if ($element->parentNode) {
|
|
$element->parentNode->removeChild($element);
|
|
}
|
|
}
|
|
}
|
|
}
|
|
}
|
|
|
|
if (isset($domainRules['classElementRemove'])) {
|
|
foreach ($domainRules['classElementRemove'] as $class) {
|
|
$elements = $xpath->query("//*[contains(@class, '$class')]");
|
|
if ($elements !== false) {
|
|
foreach ($elements as $element) {
|
|
if ($element->parentNode) {
|
|
$element->parentNode->removeChild($element);
|
|
}
|
|
}
|
|
}
|
|
}
|
|
}
|
|
|
|
if (isset($domainRules['scriptTagRemove'])) {
|
|
foreach ($domainRules['scriptTagRemove'] as $script) {
|
|
// Busca por tags script com src ou conteúdo contendo o script
|
|
$scriptElements = $xpath->query("//script[contains(@src, '$script')] | //script[contains(text(), '$script')]");
|
|
if ($scriptElements !== false) {
|
|
foreach ($scriptElements as $element) {
|
|
if ($element->parentNode) {
|
|
$element->parentNode->removeChild($element);
|
|
}
|
|
}
|
|
}
|
|
|
|
// Busca por tags link que são scripts
|
|
$linkElements = $xpath->query("//link[@as='script' and contains(@href, '$script') and @type='application/javascript']");
|
|
if ($linkElements !== false) {
|
|
foreach ($linkElements as $element) {
|
|
if ($element->parentNode) {
|
|
$element->parentNode->removeChild($element);
|
|
}
|
|
}
|
|
}
|
|
}
|
|
}
|
|
}
|
|
|
|
$elements = $xpath->query("//*[@style]");
|
|
if ($elements !== false) {
|
|
foreach ($elements as $element) {
|
|
if ($element instanceof DOMElement) {
|
|
$style = $element->getAttribute('style');
|
|
$style = preg_replace('/(max-height|height|overflow|position|display|visibility)\s*:\s*[^;]+;?/', '', $style);
|
|
$element->setAttribute('style', $style);
|
|
}
|
|
}
|
|
}
|
|
|
|
// Adiciona CTA Marreta
|
|
$body = $xpath->query('//body')->item(0);
|
|
if ($body) {
|
|
$marretaDiv = $dom->createElement('div');
|
|
$marretaDiv->setAttribute('style', 'z-index: 99999; position: fixed; bottom: 0; right: 4px; background: rgb(37,99,235); color: #fff; font-size: 13px; line-height: 1em; padding: 6px; margin: 0px; overflow: hidden; border-top-left-radius: 3px; border-top-right-radius: 3px; font-family: Tahoma, sans-serif;');
|
|
$marretaHtml = $dom->createDocumentFragment();
|
|
$marretaHtml->appendXML('Chapéu de paywall é <a href="'.SITE_URL.'" style="color: #fff; text-decoration: underline; font-weight: bold;" target="_blank">Marreta</a>!');
|
|
$marretaDiv->appendChild($marretaHtml);
|
|
$body->appendChild($marretaDiv);
|
|
}
|
|
|
|
return $dom->saveHTML();
|
|
}
|
|
}
|