Browse Source
Reading Mode utilizes the Snacktory library created by karussel which is licensed under the Apache 2.0 license. https://github.com/karussell/snacktorymaster
Anthony Restaino
10 years ago
20 changed files with 2659 additions and 80 deletions
Binary file not shown.
@ -0,0 +1,39 @@ |
|||||||
|
<?xml version="1.0" encoding="utf-8"?> |
||||||
|
<LinearLayout xmlns:android="http://schemas.android.com/apk/res/android" |
||||||
|
android:layout_width="match_parent" |
||||||
|
android:layout_height="match_parent" |
||||||
|
android:orientation="vertical" > |
||||||
|
|
||||||
|
<include layout="@layout/toolbar_settings" /> |
||||||
|
|
||||||
|
<ScrollView |
||||||
|
android:layout_width="match_parent" |
||||||
|
android:layout_height="match_parent" > |
||||||
|
|
||||||
|
<LinearLayout |
||||||
|
android:layout_width="match_parent" |
||||||
|
android:layout_height="wrap_content" |
||||||
|
android:padding="20dp" |
||||||
|
android:orientation="vertical"> |
||||||
|
|
||||||
|
<TextView |
||||||
|
android:id="@+id/textViewTitle" |
||||||
|
android:layout_width="match_parent" |
||||||
|
android:layout_height="wrap_content" |
||||||
|
android:layout_marginBottom="20dp" |
||||||
|
android:gravity="center_horizontal|center_vertical" |
||||||
|
android:text="Large Text" |
||||||
|
android:textAppearance="?android:attr/textAppearanceLarge" /> |
||||||
|
|
||||||
|
<TextView |
||||||
|
android:id="@+id/textViewBody" |
||||||
|
android:layout_width="match_parent" |
||||||
|
android:layout_height="wrap_content" |
||||||
|
android:gravity="start" |
||||||
|
android:text="Medium Text" |
||||||
|
android:textAppearance="?android:attr/textAppearanceMedium" /> |
||||||
|
|
||||||
|
</LinearLayout> |
||||||
|
</ScrollView> |
||||||
|
|
||||||
|
</LinearLayout> |
||||||
@ -0,0 +1,619 @@ |
|||||||
|
package acr.browser.lightning.Reading; |
||||||
|
|
||||||
|
import java.util.ArrayList; |
||||||
|
import java.util.Arrays; |
||||||
|
import java.util.Collection; |
||||||
|
import java.util.Collections; |
||||||
|
import java.util.Comparator; |
||||||
|
import java.util.HashSet; |
||||||
|
import java.util.LinkedHashMap; |
||||||
|
import java.util.LinkedHashSet; |
||||||
|
import java.util.List; |
||||||
|
import java.util.Locale; |
||||||
|
import java.util.Map; |
||||||
|
import java.util.Set; |
||||||
|
import java.util.regex.Pattern; |
||||||
|
import org.jsoup.Jsoup; |
||||||
|
import org.jsoup.nodes.Document; |
||||||
|
import org.jsoup.nodes.Element; |
||||||
|
import org.jsoup.select.Elements; |
||||||
|
|
||||||
|
import android.util.Log; |
||||||
|
|
||||||
|
/** |
||||||
|
* This class is thread safe. |
||||||
|
* |
||||||
|
* @author Alex P (ifesdjeen from jreadability) |
||||||
|
* @author Peter Karich |
||||||
|
*/ |
||||||
|
public class ArticleTextExtractor { |
||||||
|
|
||||||
|
// Interessting nodes
|
||||||
|
private static final Pattern NODES = Pattern.compile("p|div|td|h1|h2|article|section"); |
||||||
|
// Unlikely candidates
|
||||||
|
private String unlikelyStr; |
||||||
|
private Pattern UNLIKELY; |
||||||
|
// Most likely positive candidates
|
||||||
|
private String positiveStr; |
||||||
|
private Pattern POSITIVE; |
||||||
|
// Most likely negative candidates
|
||||||
|
private String negativeStr; |
||||||
|
private Pattern NEGATIVE; |
||||||
|
private static final Pattern NEGATIVE_STYLE = Pattern |
||||||
|
.compile("hidden|display: ?none|font-size: ?small"); |
||||||
|
private static final Set<String> IGNORED_TITLE_PARTS = new LinkedHashSet<String>() { |
||||||
|
{ |
||||||
|
add("hacker news"); |
||||||
|
add("facebook"); |
||||||
|
} |
||||||
|
}; |
||||||
|
private static final OutputFormatter DEFAULT_FORMATTER = new OutputFormatter(); |
||||||
|
private OutputFormatter formatter = DEFAULT_FORMATTER; |
||||||
|
|
||||||
|
public ArticleTextExtractor() { |
||||||
|
setUnlikely("com(bx|ment|munity)|dis(qus|cuss)|e(xtra|[-]?mail)|foot|" |
||||||
|
+ "header|menu|re(mark|ply)|rss|sh(are|outbox)|sponsor" |
||||||
|
+ "a(d|ll|gegate|rchive|ttachment)|(pag(er|ination))|popup|print|" |
||||||
|
+ "login|si(debar|gn|ngle)"); |
||||||
|
setPositive("(^(body|content|h?entry|main|page|post|text|blog|story|haupt))" |
||||||
|
+ "|arti(cle|kel)|instapaper_body"); |
||||||
|
setNegative("nav($|igation)|user|com(ment|bx)|(^com-)|contact|" |
||||||
|
+ "foot|masthead|(me(dia|ta))|outbrain|promo|related|scroll|(sho(utbox|pping))|" |
||||||
|
+ "sidebar|sponsor|tags|tool|widget|player|disclaimer|toc|infobox|vcard"); |
||||||
|
} |
||||||
|
|
||||||
|
public ArticleTextExtractor setUnlikely(String unlikelyStr) { |
||||||
|
this.unlikelyStr = unlikelyStr; |
||||||
|
UNLIKELY = Pattern.compile(unlikelyStr); |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public ArticleTextExtractor addUnlikely(String unlikelyMatches) { |
||||||
|
return setUnlikely(unlikelyStr + "|" + unlikelyMatches); |
||||||
|
} |
||||||
|
|
||||||
|
public ArticleTextExtractor setPositive(String positiveStr) { |
||||||
|
this.positiveStr = positiveStr; |
||||||
|
POSITIVE = Pattern.compile(positiveStr); |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public ArticleTextExtractor addPositive(String pos) { |
||||||
|
return setPositive(positiveStr + "|" + pos); |
||||||
|
} |
||||||
|
|
||||||
|
public ArticleTextExtractor setNegative(String negativeStr) { |
||||||
|
this.negativeStr = negativeStr; |
||||||
|
NEGATIVE = Pattern.compile(negativeStr); |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public ArticleTextExtractor addNegative(String neg) { |
||||||
|
setNegative(negativeStr + "|" + neg); |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public void setOutputFormatter(OutputFormatter formatter) { |
||||||
|
this.formatter = formatter; |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* @param html |
||||||
|
* extracts article text from given html string. wasn't tested |
||||||
|
* with improper HTML, although jSoup should be able to handle |
||||||
|
* minor stuff. |
||||||
|
* @returns extracted article, all HTML tags stripped |
||||||
|
*/ |
||||||
|
public JResult extractContent(Document doc) throws Exception { |
||||||
|
return extractContent(new JResult(), doc, formatter); |
||||||
|
} |
||||||
|
|
||||||
|
public JResult extractContent(Document doc, OutputFormatter formatter) throws Exception { |
||||||
|
return extractContent(new JResult(), doc, formatter); |
||||||
|
} |
||||||
|
|
||||||
|
public JResult extractContent(String html) throws Exception { |
||||||
|
return extractContent(new JResult(), html); |
||||||
|
} |
||||||
|
|
||||||
|
public JResult extractContent(JResult res, String html) throws Exception { |
||||||
|
return extractContent(res, html, formatter); |
||||||
|
} |
||||||
|
|
||||||
|
public JResult extractContent(JResult res, String html, OutputFormatter formatter) |
||||||
|
throws Exception { |
||||||
|
if (html.isEmpty()) |
||||||
|
throw new IllegalArgumentException("html string is empty!?"); |
||||||
|
|
||||||
|
// http://jsoup.org/cookbook/extracting-data/selector-syntax
|
||||||
|
return extractContent(res, Jsoup.parse(html), formatter); |
||||||
|
} |
||||||
|
|
||||||
|
public JResult extractContent(JResult res, Document doc, OutputFormatter formatter) |
||||||
|
throws Exception { |
||||||
|
if (doc == null) |
||||||
|
throw new NullPointerException("missing document"); |
||||||
|
|
||||||
|
res.setTitle(extractTitle(doc)); |
||||||
|
res.setDescription(extractDescription(doc)); |
||||||
|
res.setCanonicalUrl(extractCanonicalUrl(doc)); |
||||||
|
|
||||||
|
// now remove the clutter
|
||||||
|
prepareDocument(doc); |
||||||
|
|
||||||
|
// init elements
|
||||||
|
Collection<Element> nodes = getNodes(doc); |
||||||
|
int maxWeight = 0; |
||||||
|
Element bestMatchElement = null; |
||||||
|
for (Element entry : nodes) { |
||||||
|
int currentWeight = getWeight(entry); |
||||||
|
if (currentWeight > maxWeight) { |
||||||
|
maxWeight = currentWeight; |
||||||
|
bestMatchElement = entry; |
||||||
|
if (maxWeight > 200) |
||||||
|
break; |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
if (bestMatchElement != null) { |
||||||
|
List<ImageResult> images = new ArrayList<ImageResult>(); |
||||||
|
Element imgEl = determineImageSource(bestMatchElement, images); |
||||||
|
if (imgEl != null) { |
||||||
|
res.setImageUrl(SHelper.replaceSpaces(imgEl.attr("src"))); |
||||||
|
// TODO remove parent container of image if it is contained in
|
||||||
|
// bestMatchElement
|
||||||
|
// to avoid image subtitles flooding in
|
||||||
|
|
||||||
|
res.setImages(images); |
||||||
|
} |
||||||
|
|
||||||
|
// clean before grabbing text
|
||||||
|
String text = formatter.getFormattedText(bestMatchElement); |
||||||
|
text = removeTitleFromText(text, res.getTitle()); |
||||||
|
// this fails for short facebook post and probably tweets:
|
||||||
|
// text.length() > res.getDescription().length()
|
||||||
|
if (text.length() > res.getTitle().length()) { |
||||||
|
res.setText(text); |
||||||
|
// print("best element:", bestMatchElement);
|
||||||
|
} |
||||||
|
res.setTextList(formatter.getTextList(bestMatchElement)); |
||||||
|
} |
||||||
|
|
||||||
|
if (res.getImageUrl().isEmpty()) { |
||||||
|
res.setImageUrl(extractImageUrl(doc)); |
||||||
|
} |
||||||
|
|
||||||
|
res.setRssUrl(extractRssUrl(doc)); |
||||||
|
res.setVideoUrl(extractVideoUrl(doc)); |
||||||
|
res.setFaviconUrl(extractFaviconUrl(doc)); |
||||||
|
res.setKeywords(extractKeywords(doc)); |
||||||
|
return res; |
||||||
|
} |
||||||
|
|
||||||
|
protected String extractTitle(Document doc) { |
||||||
|
String title = cleanTitle(doc.title()); |
||||||
|
if (title.isEmpty()) { |
||||||
|
title = SHelper.innerTrim(doc.select("head title").text()); |
||||||
|
if (title.isEmpty()) { |
||||||
|
title = SHelper.innerTrim(doc.select("head meta[name=title]").attr("content")); |
||||||
|
if (title.isEmpty()) { |
||||||
|
title = SHelper.innerTrim(doc.select("head meta[property=og:title]").attr( |
||||||
|
"content")); |
||||||
|
if (title.isEmpty()) { |
||||||
|
title = SHelper.innerTrim(doc.select("head meta[name=twitter:title]").attr( |
||||||
|
"content")); |
||||||
|
} |
||||||
|
} |
||||||
|
} |
||||||
|
} |
||||||
|
return title; |
||||||
|
} |
||||||
|
|
||||||
|
protected String extractCanonicalUrl(Document doc) { |
||||||
|
String url = SHelper.replaceSpaces(doc.select("head link[rel=canonical]").attr("href")); |
||||||
|
if (url.isEmpty()) { |
||||||
|
url = SHelper.replaceSpaces(doc.select("head meta[property=og:url]").attr("content")); |
||||||
|
if (url.isEmpty()) { |
||||||
|
url = SHelper.replaceSpaces(doc.select("head meta[name=twitter:url]").attr( |
||||||
|
"content")); |
||||||
|
} |
||||||
|
} |
||||||
|
return url; |
||||||
|
} |
||||||
|
|
||||||
|
protected String extractDescription(Document doc) { |
||||||
|
String description = SHelper.innerTrim(doc.select("head meta[name=description]").attr( |
||||||
|
"content")); |
||||||
|
if (description.isEmpty()) { |
||||||
|
description = SHelper.innerTrim(doc.select("head meta[property=og:description]").attr( |
||||||
|
"content")); |
||||||
|
if (description.isEmpty()) { |
||||||
|
description = SHelper.innerTrim(doc.select("head meta[name=twitter:description]") |
||||||
|
.attr("content")); |
||||||
|
} |
||||||
|
} |
||||||
|
return description; |
||||||
|
} |
||||||
|
|
||||||
|
protected Collection<String> extractKeywords(Document doc) { |
||||||
|
String content = SHelper.innerTrim(doc.select("head meta[name=keywords]").attr("content")); |
||||||
|
|
||||||
|
if (content != null) { |
||||||
|
if (content.startsWith("[") && content.endsWith("]")) |
||||||
|
content = content.substring(1, content.length() - 1); |
||||||
|
|
||||||
|
String[] split = content.split("\\s*,\\s*"); |
||||||
|
if (split.length > 1 || (split.length > 0 && !"".equals(split[0]))) |
||||||
|
return Arrays.asList(split); |
||||||
|
} |
||||||
|
return Collections.emptyList(); |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* Tries to extract an image url from metadata if determineImageSource |
||||||
|
* failed |
||||||
|
* |
||||||
|
* @return image url or empty str |
||||||
|
*/ |
||||||
|
protected String extractImageUrl(Document doc) { |
||||||
|
// use open graph tag to get image
|
||||||
|
String imageUrl = SHelper.replaceSpaces(doc.select("head meta[property=og:image]").attr( |
||||||
|
"content")); |
||||||
|
if (imageUrl.isEmpty()) { |
||||||
|
imageUrl = SHelper.replaceSpaces(doc.select("head meta[name=twitter:image]").attr( |
||||||
|
"content")); |
||||||
|
if (imageUrl.isEmpty()) { |
||||||
|
// prefer link over thumbnail-meta if empty
|
||||||
|
imageUrl = SHelper.replaceSpaces(doc.select("link[rel=image_src]").attr("href")); |
||||||
|
if (imageUrl.isEmpty()) { |
||||||
|
imageUrl = SHelper.replaceSpaces(doc.select("head meta[name=thumbnail]").attr( |
||||||
|
"content")); |
||||||
|
} |
||||||
|
} |
||||||
|
} |
||||||
|
return imageUrl; |
||||||
|
} |
||||||
|
|
||||||
|
protected String extractRssUrl(Document doc) { |
||||||
|
return SHelper.replaceSpaces(doc.select("link[rel=alternate]") |
||||||
|
.select("link[type=application/rss+xml]").attr("href")); |
||||||
|
} |
||||||
|
|
||||||
|
protected String extractVideoUrl(Document doc) { |
||||||
|
return SHelper.replaceSpaces(doc.select("head meta[property=og:video]").attr("content")); |
||||||
|
} |
||||||
|
|
||||||
|
protected String extractFaviconUrl(Document doc) { |
||||||
|
String faviconUrl = SHelper.replaceSpaces(doc.select("head link[rel=icon]").attr("href")); |
||||||
|
if (faviconUrl.isEmpty()) { |
||||||
|
faviconUrl = SHelper.replaceSpaces(doc.select( |
||||||
|
"head link[rel^=shortcut],link[rel$=icon]").attr("href")); |
||||||
|
} |
||||||
|
return faviconUrl; |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* Weights current element. By matching it with positive candidates and |
||||||
|
* weighting child nodes. Since it's impossible to predict which exactly |
||||||
|
* names, ids or class names will be used in HTML, major role is played by |
||||||
|
* child nodes |
||||||
|
* |
||||||
|
* @param e |
||||||
|
* Element to weight, along with child nodes |
||||||
|
*/ |
||||||
|
protected int getWeight(Element e) { |
||||||
|
int weight = calcWeight(e); |
||||||
|
weight += (int) Math.round(e.ownText().length() / 100.0 * 10); |
||||||
|
weight += weightChildNodes(e); |
||||||
|
return weight; |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* Weights a child nodes of given Element. During tests some difficulties |
||||||
|
* were met. For instanance, not every single document has nested paragraph |
||||||
|
* tags inside of the major article tag. Sometimes people are adding one |
||||||
|
* more nesting level. So, we're adding 4 points for every 100 symbols |
||||||
|
* contained in tag nested inside of the current weighted element, but only |
||||||
|
* 3 points for every element that's nested 2 levels deep. This way we give |
||||||
|
* more chances to extract the element that has less nested levels, |
||||||
|
* increasing probability of the correct extraction. |
||||||
|
* |
||||||
|
* @param rootEl |
||||||
|
* Element, who's child nodes will be weighted |
||||||
|
*/ |
||||||
|
protected int weightChildNodes(Element rootEl) { |
||||||
|
int weight = 0; |
||||||
|
Element caption = null; |
||||||
|
List<Element> pEls = new ArrayList<Element>(5); |
||||||
|
for (Element child : rootEl.children()) { |
||||||
|
String ownText = child.ownText(); |
||||||
|
int ownTextLength = ownText.length(); |
||||||
|
if (ownTextLength < 20) |
||||||
|
continue; |
||||||
|
|
||||||
|
if (ownTextLength > 200) |
||||||
|
weight += Math.max(50, ownTextLength / 10); |
||||||
|
|
||||||
|
if (child.tagName().equals("h1") || child.tagName().equals("h2")) { |
||||||
|
weight += 30; |
||||||
|
} else if (child.tagName().equals("div") || child.tagName().equals("p")) { |
||||||
|
weight += calcWeightForChild(child, ownText); |
||||||
|
if (child.tagName().equals("p") && ownTextLength > 50) |
||||||
|
pEls.add(child); |
||||||
|
|
||||||
|
if (child.className().toLowerCase(Locale.getDefault()).equals("caption")) |
||||||
|
caption = child; |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
// use caption and image
|
||||||
|
if (caption != null) |
||||||
|
weight += 30; |
||||||
|
|
||||||
|
if (pEls.size() >= 2) { |
||||||
|
for (Element subEl : rootEl.children()) { |
||||||
|
if ("h1;h2;h3;h4;h5;h6".contains(subEl.tagName())) { |
||||||
|
weight += 20; |
||||||
|
// headerEls.add(subEl);
|
||||||
|
} else if ("table;li;td;th".contains(subEl.tagName())) { |
||||||
|
addScore(subEl, -30); |
||||||
|
} |
||||||
|
|
||||||
|
if ("p".contains(subEl.tagName())) |
||||||
|
addScore(subEl, 30); |
||||||
|
} |
||||||
|
} |
||||||
|
return weight; |
||||||
|
} |
||||||
|
|
||||||
|
public void addScore(Element el, int score) { |
||||||
|
int old = getScore(el); |
||||||
|
setScore(el, score + old); |
||||||
|
} |
||||||
|
|
||||||
|
public int getScore(Element el) { |
||||||
|
int old = 0; |
||||||
|
try { |
||||||
|
old = Integer.parseInt(el.attr("gravityScore")); |
||||||
|
} catch (Exception ex) { |
||||||
|
} |
||||||
|
return old; |
||||||
|
} |
||||||
|
|
||||||
|
public void setScore(Element el, int score) { |
||||||
|
el.attr("gravityScore", Integer.toString(score)); |
||||||
|
} |
||||||
|
|
||||||
|
private int calcWeightForChild(Element child, String ownText) { |
||||||
|
int c = SHelper.count(ownText, """); |
||||||
|
c += SHelper.count(ownText, "<"); |
||||||
|
c += SHelper.count(ownText, ">"); |
||||||
|
c += SHelper.count(ownText, "px"); |
||||||
|
int val; |
||||||
|
if (c > 5) |
||||||
|
val = -30; |
||||||
|
else |
||||||
|
val = (int) Math.round(ownText.length() / 25.0); |
||||||
|
|
||||||
|
addScore(child, val); |
||||||
|
return val; |
||||||
|
} |
||||||
|
|
||||||
|
private int calcWeight(Element e) { |
||||||
|
int weight = 0; |
||||||
|
if (POSITIVE.matcher(e.className()).find()) |
||||||
|
weight += 35; |
||||||
|
|
||||||
|
if (POSITIVE.matcher(e.id()).find()) |
||||||
|
weight += 40; |
||||||
|
|
||||||
|
if (UNLIKELY.matcher(e.className()).find()) |
||||||
|
weight -= 20; |
||||||
|
|
||||||
|
if (UNLIKELY.matcher(e.id()).find()) |
||||||
|
weight -= 20; |
||||||
|
|
||||||
|
if (NEGATIVE.matcher(e.className()).find()) |
||||||
|
weight -= 50; |
||||||
|
|
||||||
|
if (NEGATIVE.matcher(e.id()).find()) |
||||||
|
weight -= 50; |
||||||
|
|
||||||
|
String style = e.attr("style"); |
||||||
|
if (style != null && !style.isEmpty() && NEGATIVE_STYLE.matcher(style).find()) |
||||||
|
weight -= 50; |
||||||
|
return weight; |
||||||
|
} |
||||||
|
|
||||||
|
public Element determineImageSource(Element el, List<ImageResult> images) { |
||||||
|
int maxWeight = 0; |
||||||
|
Element maxNode = null; |
||||||
|
Elements els = el.select("img"); |
||||||
|
if (els.isEmpty()) |
||||||
|
els = el.parent().select("img"); |
||||||
|
|
||||||
|
double score = 1; |
||||||
|
for (Element e : els) { |
||||||
|
String sourceUrl = e.attr("src"); |
||||||
|
if (sourceUrl.isEmpty() || isAdImage(sourceUrl)) |
||||||
|
continue; |
||||||
|
|
||||||
|
int weight = 0; |
||||||
|
int height = 0; |
||||||
|
try { |
||||||
|
height = Integer.parseInt(e.attr("height")); |
||||||
|
if (height >= 50) |
||||||
|
weight += 20; |
||||||
|
else |
||||||
|
weight -= 20; |
||||||
|
} catch (Exception ex) { |
||||||
|
} |
||||||
|
|
||||||
|
int width = 0; |
||||||
|
try { |
||||||
|
width = Integer.parseInt(e.attr("width")); |
||||||
|
if (width >= 50) |
||||||
|
weight += 20; |
||||||
|
else |
||||||
|
weight -= 20; |
||||||
|
} catch (Exception ex) { |
||||||
|
} |
||||||
|
String alt = e.attr("alt"); |
||||||
|
if (alt.length() > 35) |
||||||
|
weight += 20; |
||||||
|
|
||||||
|
String title = e.attr("title"); |
||||||
|
if (title.length() > 35) |
||||||
|
weight += 20; |
||||||
|
|
||||||
|
String rel = null; |
||||||
|
boolean noFollow = false; |
||||||
|
if (e.parent() != null) { |
||||||
|
rel = e.parent().attr("rel"); |
||||||
|
if (rel != null && rel.contains("nofollow")) { |
||||||
|
noFollow = rel.contains("nofollow"); |
||||||
|
weight -= 40; |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
weight = (int) (weight * score); |
||||||
|
if (weight > maxWeight) { |
||||||
|
maxWeight = weight; |
||||||
|
maxNode = e; |
||||||
|
score = score / 2; |
||||||
|
} |
||||||
|
|
||||||
|
ImageResult image = new ImageResult(sourceUrl, weight, title, height, width, alt, |
||||||
|
noFollow); |
||||||
|
images.add(image); |
||||||
|
} |
||||||
|
|
||||||
|
Collections.sort(images, new ImageComparator()); |
||||||
|
return maxNode; |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* Prepares document. Currently only stipping unlikely candidates, since |
||||||
|
* from time to time they're getting more score than good ones especially in |
||||||
|
* cases when major text is short. |
||||||
|
* |
||||||
|
* @param doc |
||||||
|
* document to prepare. Passed as reference, and changed inside |
||||||
|
* of function |
||||||
|
*/ |
||||||
|
protected void prepareDocument(Document doc) { |
||||||
|
// stripUnlikelyCandidates(doc);
|
||||||
|
removeScriptsAndStyles(doc); |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* Removes unlikely candidates from HTML. Currently takes id and class name |
||||||
|
* and matches them against list of patterns |
||||||
|
* |
||||||
|
* @param doc |
||||||
|
* document to strip unlikely candidates from |
||||||
|
*/ |
||||||
|
protected void stripUnlikelyCandidates(Document doc) { |
||||||
|
for (Element child : doc.select("body").select("*")) { |
||||||
|
String className = child.className().toLowerCase(Locale.getDefault()); |
||||||
|
String id = child.id().toLowerCase(Locale.getDefault()); |
||||||
|
|
||||||
|
if (NEGATIVE.matcher(className).find() || NEGATIVE.matcher(id).find()) { |
||||||
|
// print("REMOVE:", child);
|
||||||
|
child.remove(); |
||||||
|
} |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
private Document removeScriptsAndStyles(Document doc) { |
||||||
|
Elements scripts = doc.getElementsByTag("script"); |
||||||
|
for (Element item : scripts) { |
||||||
|
item.remove(); |
||||||
|
} |
||||||
|
|
||||||
|
Elements noscripts = doc.getElementsByTag("noscript"); |
||||||
|
for (Element item : noscripts) { |
||||||
|
item.remove(); |
||||||
|
} |
||||||
|
|
||||||
|
Elements styles = doc.getElementsByTag("style"); |
||||||
|
for (Element style : styles) { |
||||||
|
style.remove(); |
||||||
|
} |
||||||
|
|
||||||
|
return doc; |
||||||
|
} |
||||||
|
|
||||||
|
private boolean isAdImage(String imageUrl) { |
||||||
|
return SHelper.count(imageUrl, "ad") >= 2; |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* Match only exact matching as longestSubstring can be too fuzzy |
||||||
|
*/ |
||||||
|
public String removeTitleFromText(String text, String title) { |
||||||
|
// don't do this as its terrible to read
|
||||||
|
// int index1 = text.toLowerCase().indexOf(title.toLowerCase());
|
||||||
|
// if (index1 >= 0)
|
||||||
|
// text = text.substring(index1 + title.length());
|
||||||
|
// return text.trim();
|
||||||
|
return text; |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* @return a set of all important nodes |
||||||
|
*/ |
||||||
|
public Collection<Element> getNodes(Document doc) { |
||||||
|
Set<Element> nodes = new HashSet<Element>(64); |
||||||
|
int score = 100; |
||||||
|
for (Element el : doc.select("body").select("*")) { |
||||||
|
if (NODES.matcher(el.tagName()).matches()) { |
||||||
|
nodes.add(el); |
||||||
|
setScore(el, score); |
||||||
|
score = score / 2; |
||||||
|
} |
||||||
|
} |
||||||
|
return nodes; |
||||||
|
|
||||||
|
} |
||||||
|
|
||||||
|
public String cleanTitle(String title) { |
||||||
|
StringBuilder res = new StringBuilder(); |
||||||
|
// int index = title.lastIndexOf("|");
|
||||||
|
// if (index > 0 && title.length() / 2 < index)
|
||||||
|
// title = title.substring(0, index + 1);
|
||||||
|
|
||||||
|
int counter = 0; |
||||||
|
String[] strs = title.split("\\|"); |
||||||
|
for (String part : strs) { |
||||||
|
if (IGNORED_TITLE_PARTS.contains(part.toLowerCase(Locale.getDefault()).trim())) |
||||||
|
continue; |
||||||
|
|
||||||
|
if (counter == strs.length - 1 && res.length() > part.length()) |
||||||
|
continue; |
||||||
|
|
||||||
|
if (counter > 0) |
||||||
|
res.append("|"); |
||||||
|
|
||||||
|
res.append(part); |
||||||
|
counter++; |
||||||
|
} |
||||||
|
|
||||||
|
return SHelper.innerTrim(res.toString()); |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* Comparator for Image by weight |
||||||
|
* |
||||||
|
* @author Chris Alexander, chris@chris-alexander.co.uk |
||||||
|
* |
||||||
|
*/ |
||||||
|
public class ImageComparator implements Comparator<ImageResult> { |
||||||
|
|
||||||
|
@Override |
||||||
|
public int compare(ImageResult o1, ImageResult o2) { |
||||||
|
// Returns the highest weight first
|
||||||
|
return o2.weight.compareTo(o1.weight); |
||||||
|
} |
||||||
|
} |
||||||
|
} |
||||||
@ -0,0 +1,243 @@ |
|||||||
|
/* |
||||||
|
* Copyright 2011 Peter Karich |
||||||
|
* |
||||||
|
* Licensed under the Apache License, Version 2.0 (the "License"); |
||||||
|
* you may not use this file except in compliance with the License. |
||||||
|
* You may obtain a copy of the License at |
||||||
|
* |
||||||
|
* http://www.apache.org/licenses/LICENSE-2.0
|
||||||
|
* |
||||||
|
* Unless required by applicable law or agreed to in writing, software |
||||||
|
* distributed under the License is distributed on an "AS IS" BASIS, |
||||||
|
* WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. |
||||||
|
* See the License for the specific language governing permissions and |
||||||
|
* limitations under the License. |
||||||
|
*/ |
||||||
|
package acr.browser.lightning.Reading; |
||||||
|
|
||||||
|
import java.io.*; |
||||||
|
import java.net.SocketTimeoutException; |
||||||
|
import java.nio.charset.Charset; |
||||||
|
import java.util.Locale; |
||||||
|
|
||||||
|
import acr.browser.lightning.Constants; |
||||||
|
import android.util.Log; |
||||||
|
|
||||||
|
/** |
||||||
|
* This class is not thread safe. Use one new instance every time due to |
||||||
|
* encoding variable. |
||||||
|
* |
||||||
|
* @author Peter Karich |
||||||
|
*/ |
||||||
|
public class Converter { |
||||||
|
|
||||||
|
public final static String UTF8 = "UTF-8"; |
||||||
|
public final static String ISO = "ISO-8859-1"; |
||||||
|
public final static int K2 = 2048; |
||||||
|
private int maxBytes = 1000000 / 2; |
||||||
|
private String encoding; |
||||||
|
private String url; |
||||||
|
|
||||||
|
public Converter(String urlOnlyHint) { |
||||||
|
url = urlOnlyHint; |
||||||
|
} |
||||||
|
|
||||||
|
public Converter() { |
||||||
|
} |
||||||
|
|
||||||
|
public Converter setMaxBytes(int maxBytes) { |
||||||
|
this.maxBytes = maxBytes; |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public static String extractEncoding(String contentType) { |
||||||
|
String[] values; |
||||||
|
if (contentType != null) |
||||||
|
values = contentType.split(";"); |
||||||
|
else |
||||||
|
values = new String[0]; |
||||||
|
|
||||||
|
String charset = ""; |
||||||
|
|
||||||
|
for (String value : values) { |
||||||
|
value = value.trim().toLowerCase(Locale.getDefault()); |
||||||
|
|
||||||
|
if (value.startsWith("charset=")) |
||||||
|
charset = value.substring("charset=".length()); |
||||||
|
} |
||||||
|
|
||||||
|
// http1.1 says ISO-8859-1 is the default charset
|
||||||
|
if (charset.length() == 0) |
||||||
|
charset = ISO; |
||||||
|
|
||||||
|
return charset; |
||||||
|
} |
||||||
|
|
||||||
|
public String getEncoding() { |
||||||
|
if (encoding == null) |
||||||
|
return ""; |
||||||
|
return encoding.toLowerCase(Locale.getDefault()); |
||||||
|
} |
||||||
|
|
||||||
|
public String streamToString(InputStream is) { |
||||||
|
return streamToString(is, maxBytes, encoding); |
||||||
|
} |
||||||
|
|
||||||
|
public String streamToString(InputStream is, String enc) { |
||||||
|
return streamToString(is, maxBytes, enc); |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* reads bytes off the string and returns a string |
||||||
|
* |
||||||
|
* @param is |
||||||
|
* @param maxBytes |
||||||
|
* The max bytes that we want to read from the input stream |
||||||
|
* @return String |
||||||
|
*/ |
||||||
|
public String streamToString(InputStream is, int maxBytes, String enc) { |
||||||
|
encoding = enc; |
||||||
|
// Http 1.1. standard is iso-8859-1 not utf8 :(
|
||||||
|
// but we force utf-8 as youtube assumes it ;)
|
||||||
|
if (encoding == null || encoding.isEmpty()) |
||||||
|
encoding = UTF8; |
||||||
|
|
||||||
|
BufferedInputStream in = null; |
||||||
|
try { |
||||||
|
in = new BufferedInputStream(is, K2); |
||||||
|
ByteArrayOutputStream output = new ByteArrayOutputStream(); |
||||||
|
|
||||||
|
// detect encoding with the help of meta tag
|
||||||
|
try { |
||||||
|
in.mark(K2 * 2); |
||||||
|
String tmpEnc = detectCharset("charset=", output, in, encoding); |
||||||
|
if (tmpEnc != null) |
||||||
|
encoding = tmpEnc; |
||||||
|
else { |
||||||
|
Log.d(Constants.TAG, "no charset found in first stage"); |
||||||
|
// detect with the help of xml beginning ala
|
||||||
|
// encoding="charset"
|
||||||
|
tmpEnc = detectCharset("encoding=", output, in, encoding); |
||||||
|
if (tmpEnc != null) |
||||||
|
encoding = tmpEnc; |
||||||
|
else |
||||||
|
Log.d(Constants.TAG, "no charset found in second stage"); |
||||||
|
} |
||||||
|
|
||||||
|
if (!Charset.isSupported(encoding)) |
||||||
|
throw new UnsupportedEncodingException(encoding); |
||||||
|
} catch (UnsupportedEncodingException e) { |
||||||
|
Log.d(Constants.TAG, |
||||||
|
"Using default encoding:" + UTF8 + " problem:" + e.getMessage() |
||||||
|
+ " encoding:" + encoding + " " + url); |
||||||
|
encoding = UTF8; |
||||||
|
} |
||||||
|
|
||||||
|
// SocketException: Connection reset
|
||||||
|
// IOException: missing CR => problem on server (probably some xml
|
||||||
|
// character thing?)
|
||||||
|
// IOException: Premature EOF => socket unexpectly closed from
|
||||||
|
// server
|
||||||
|
int bytesRead = output.size(); |
||||||
|
byte[] arr = new byte[K2]; |
||||||
|
while (true) { |
||||||
|
if (bytesRead >= maxBytes) { |
||||||
|
Log.d(Constants.TAG, "Maxbyte of " + maxBytes |
||||||
|
+ " exceeded! Maybe html is now broken but try it nevertheless. Url: " |
||||||
|
+ url); |
||||||
|
break; |
||||||
|
} |
||||||
|
|
||||||
|
int n = in.read(arr); |
||||||
|
if (n < 0) |
||||||
|
break; |
||||||
|
bytesRead += n; |
||||||
|
output.write(arr, 0, n); |
||||||
|
} |
||||||
|
|
||||||
|
return output.toString(encoding); |
||||||
|
} catch (SocketTimeoutException e) { |
||||||
|
Log.e(Constants.TAG, e.toString() + " url:" + url); |
||||||
|
} catch (IOException e) { |
||||||
|
Log.e(Constants.TAG, e.toString() + " url:" + url); |
||||||
|
} finally { |
||||||
|
if (in != null) { |
||||||
|
try { |
||||||
|
in.close(); |
||||||
|
} catch (Exception e) { |
||||||
|
} |
||||||
|
} |
||||||
|
} |
||||||
|
return ""; |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* This method detects the charset even if the first call only returns some |
||||||
|
* bytes. It will read until 4K bytes are reached and then try to determine |
||||||
|
* the encoding |
||||||
|
* |
||||||
|
* @throws IOException |
||||||
|
*/ |
||||||
|
protected String detectCharset(String key, ByteArrayOutputStream bos, BufferedInputStream in, |
||||||
|
String enc) throws IOException { |
||||||
|
|
||||||
|
// Grab better encoding from stream
|
||||||
|
byte[] arr = new byte[K2]; |
||||||
|
int nSum = 0; |
||||||
|
while (nSum < K2) { |
||||||
|
int n = in.read(arr); |
||||||
|
if (n < 0) |
||||||
|
break; |
||||||
|
|
||||||
|
nSum += n; |
||||||
|
bos.write(arr, 0, n); |
||||||
|
} |
||||||
|
|
||||||
|
String str = bos.toString(enc); |
||||||
|
int encIndex = str.indexOf(key); |
||||||
|
int clength = key.length(); |
||||||
|
if (encIndex > 0) { |
||||||
|
char startChar = str.charAt(encIndex + clength); |
||||||
|
int lastEncIndex; |
||||||
|
if (startChar == '\'') |
||||||
|
// if we have charset='something'
|
||||||
|
lastEncIndex = str.indexOf("'", ++encIndex + clength); |
||||||
|
else if (startChar == '\"') |
||||||
|
// if we have charset="something"
|
||||||
|
lastEncIndex = str.indexOf("\"", ++encIndex + clength); |
||||||
|
else { |
||||||
|
// if we have "text/html; charset=utf-8"
|
||||||
|
int first = str.indexOf("\"", encIndex + clength); |
||||||
|
if (first < 0) |
||||||
|
first = Integer.MAX_VALUE; |
||||||
|
|
||||||
|
// or "text/html; charset=utf-8 "
|
||||||
|
int sec = str.indexOf(" ", encIndex + clength); |
||||||
|
if (sec < 0) |
||||||
|
sec = Integer.MAX_VALUE; |
||||||
|
lastEncIndex = Math.min(first, sec); |
||||||
|
|
||||||
|
// or "text/html; charset=utf-8 '
|
||||||
|
int third = str.indexOf("'", encIndex + clength); |
||||||
|
if (third > 0) |
||||||
|
lastEncIndex = Math.min(lastEncIndex, third); |
||||||
|
} |
||||||
|
|
||||||
|
// re-read byte array with different encoding
|
||||||
|
// assume that the encoding string cannot be greater than 40 chars
|
||||||
|
if (lastEncIndex > encIndex + clength && lastEncIndex < encIndex + clength + 40) { |
||||||
|
String tmpEnc = SHelper.encodingCleanup(str.substring(encIndex + clength, |
||||||
|
lastEncIndex)); |
||||||
|
try { |
||||||
|
in.reset(); |
||||||
|
bos.reset(); |
||||||
|
return tmpEnc; |
||||||
|
} catch (IOException ex) { |
||||||
|
Log.e(Constants.TAG, "Couldn't reset stream to re-read with new encoding " |
||||||
|
+ tmpEnc + " " + ex.toString()); |
||||||
|
} |
||||||
|
} |
||||||
|
} |
||||||
|
return null; |
||||||
|
} |
||||||
|
} |
||||||
@ -0,0 +1,445 @@ |
|||||||
|
/* |
||||||
|
* Copyright 2011 Peter Karich |
||||||
|
* |
||||||
|
* Licensed under the Apache License, Version 2.0 (the "License"); |
||||||
|
* you may not use this file except in compliance with the License. |
||||||
|
* You may obtain a copy of the License at |
||||||
|
* |
||||||
|
* http://www.apache.org/licenses/LICENSE-2.0
|
||||||
|
* |
||||||
|
* Unless required by applicable law or agreed to in writing, software |
||||||
|
* distributed under the License is distributed on an "AS IS" BASIS, |
||||||
|
* WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. |
||||||
|
* See the License for the specific language governing permissions and |
||||||
|
* limitations under the License. |
||||||
|
*/ |
||||||
|
package acr.browser.lightning.Reading; |
||||||
|
|
||||||
|
import java.io.BufferedReader; |
||||||
|
import java.io.BufferedWriter; |
||||||
|
import java.io.FileReader; |
||||||
|
import java.io.FileWriter; |
||||||
|
import java.io.IOException; |
||||||
|
import java.io.InputStream; |
||||||
|
import java.net.HttpURLConnection; |
||||||
|
import java.net.MalformedURLException; |
||||||
|
import java.net.Proxy; |
||||||
|
import java.net.URL; |
||||||
|
import java.util.LinkedHashSet; |
||||||
|
import java.util.Locale; |
||||||
|
import java.util.Set; |
||||||
|
import java.util.concurrent.atomic.AtomicInteger; |
||||||
|
import java.util.zip.GZIPInputStream; |
||||||
|
import java.util.zip.Inflater; |
||||||
|
import java.util.zip.InflaterInputStream; |
||||||
|
|
||||||
|
import acr.browser.lightning.Constants; |
||||||
|
import android.util.Log; |
||||||
|
|
||||||
|
/** |
||||||
|
* Class to fetch articles. This class is thread safe. |
||||||
|
* |
||||||
|
* @author Peter Karich |
||||||
|
*/ |
||||||
|
public class HtmlFetcher { |
||||||
|
|
||||||
|
static { |
||||||
|
SHelper.enableCookieMgmt(); |
||||||
|
SHelper.enableUserAgentOverwrite(); |
||||||
|
SHelper.enableAnySSL(); |
||||||
|
} |
||||||
|
|
||||||
|
public static void main(String[] args) throws Exception { |
||||||
|
BufferedReader reader = new BufferedReader(new FileReader("urls.txt")); |
||||||
|
String line = null; |
||||||
|
Set<String> existing = new LinkedHashSet<String>(); |
||||||
|
while ((line = reader.readLine()) != null) { |
||||||
|
int index1 = line.indexOf("\""); |
||||||
|
int index2 = line.indexOf("\"", index1 + 1); |
||||||
|
String url = line.substring(index1 + 1, index2); |
||||||
|
String domainStr = SHelper.extractDomain(url, true); |
||||||
|
String counterStr = ""; |
||||||
|
// TODO more similarities
|
||||||
|
if (existing.contains(domainStr)) |
||||||
|
counterStr = "2"; |
||||||
|
else |
||||||
|
existing.add(domainStr); |
||||||
|
|
||||||
|
String html = new HtmlFetcher().fetchAsString(url, 20000); |
||||||
|
String outFile = domainStr + counterStr + ".html"; |
||||||
|
BufferedWriter writer = new BufferedWriter(new FileWriter(outFile)); |
||||||
|
writer.write(html); |
||||||
|
writer.close(); |
||||||
|
} |
||||||
|
reader.close(); |
||||||
|
} |
||||||
|
|
||||||
|
private String referrer = "https://github.com/karussell/snacktory"; |
||||||
|
private String userAgent = "Mozilla/5.0 (compatible; Snacktory; +" + referrer + ")"; |
||||||
|
private String cacheControl = "max-age=0"; |
||||||
|
private String language = "en-us"; |
||||||
|
private String accept = "application/xml,application/xhtml+xml,text/html;q=0.9,text/plain;q=0.8,image/png,*/*;q=0.5"; |
||||||
|
private String charset = "UTF-8"; |
||||||
|
private SCache cache; |
||||||
|
private AtomicInteger cacheCounter = new AtomicInteger(0); |
||||||
|
private int maxTextLength = -1; |
||||||
|
private ArticleTextExtractor extractor = new ArticleTextExtractor(); |
||||||
|
private Set<String> furtherResolveNecessary = new LinkedHashSet<String>() { |
||||||
|
{ |
||||||
|
add("bit.ly"); |
||||||
|
add("cli.gs"); |
||||||
|
add("deck.ly"); |
||||||
|
add("fb.me"); |
||||||
|
add("feedproxy.google.com"); |
||||||
|
add("flic.kr"); |
||||||
|
add("fur.ly"); |
||||||
|
add("goo.gl"); |
||||||
|
add("is.gd"); |
||||||
|
add("ink.co"); |
||||||
|
add("j.mp"); |
||||||
|
add("lnkd.in"); |
||||||
|
add("on.fb.me"); |
||||||
|
add("ow.ly"); |
||||||
|
add("plurl.us"); |
||||||
|
add("sns.mx"); |
||||||
|
add("snurl.com"); |
||||||
|
add("su.pr"); |
||||||
|
add("t.co"); |
||||||
|
add("tcrn.ch"); |
||||||
|
add("tl.gd"); |
||||||
|
add("tiny.cc"); |
||||||
|
add("tinyurl.com"); |
||||||
|
add("tmi.me"); |
||||||
|
add("tr.im"); |
||||||
|
add("twurl.nl"); |
||||||
|
} |
||||||
|
}; |
||||||
|
|
||||||
|
public HtmlFetcher() { |
||||||
|
} |
||||||
|
|
||||||
|
public void setExtractor(ArticleTextExtractor extractor) { |
||||||
|
this.extractor = extractor; |
||||||
|
} |
||||||
|
|
||||||
|
public ArticleTextExtractor getExtractor() { |
||||||
|
return extractor; |
||||||
|
} |
||||||
|
|
||||||
|
public HtmlFetcher setCache(SCache cache) { |
||||||
|
this.cache = cache; |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public SCache getCache() { |
||||||
|
return cache; |
||||||
|
} |
||||||
|
|
||||||
|
public int getCacheCounter() { |
||||||
|
return cacheCounter.get(); |
||||||
|
} |
||||||
|
|
||||||
|
public HtmlFetcher clearCacheCounter() { |
||||||
|
cacheCounter.set(0); |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public HtmlFetcher setMaxTextLength(int maxTextLength) { |
||||||
|
this.maxTextLength = maxTextLength; |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public int getMaxTextLength() { |
||||||
|
return maxTextLength; |
||||||
|
} |
||||||
|
|
||||||
|
public void setAccept(String accept) { |
||||||
|
this.accept = accept; |
||||||
|
} |
||||||
|
|
||||||
|
public void setCharset(String charset) { |
||||||
|
this.charset = charset; |
||||||
|
} |
||||||
|
|
||||||
|
public void setCacheControl(String cacheControl) { |
||||||
|
this.cacheControl = cacheControl; |
||||||
|
} |
||||||
|
|
||||||
|
public String getLanguage() { |
||||||
|
return language; |
||||||
|
} |
||||||
|
|
||||||
|
public void setLanguage(String language) { |
||||||
|
this.language = language; |
||||||
|
} |
||||||
|
|
||||||
|
public String getReferrer() { |
||||||
|
return referrer; |
||||||
|
} |
||||||
|
|
||||||
|
public HtmlFetcher setReferrer(String referrer) { |
||||||
|
this.referrer = referrer; |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public String getUserAgent() { |
||||||
|
return userAgent; |
||||||
|
} |
||||||
|
|
||||||
|
public void setUserAgent(String userAgent) { |
||||||
|
this.userAgent = userAgent; |
||||||
|
} |
||||||
|
|
||||||
|
public String getAccept() { |
||||||
|
return accept; |
||||||
|
} |
||||||
|
|
||||||
|
public String getCacheControl() { |
||||||
|
return cacheControl; |
||||||
|
} |
||||||
|
|
||||||
|
public String getCharset() { |
||||||
|
return charset; |
||||||
|
} |
||||||
|
|
||||||
|
public JResult fetchAndExtract(String url, int timeout, boolean resolve) throws Exception { |
||||||
|
String originalUrl = url; |
||||||
|
url = SHelper.removeHashbang(url); |
||||||
|
String gUrl = SHelper.getUrlFromUglyGoogleRedirect(url); |
||||||
|
if (gUrl != null) |
||||||
|
url = gUrl; |
||||||
|
else { |
||||||
|
gUrl = SHelper.getUrlFromUglyFacebookRedirect(url); |
||||||
|
if (gUrl != null) |
||||||
|
url = gUrl; |
||||||
|
} |
||||||
|
|
||||||
|
if (resolve) { |
||||||
|
// check if we can avoid resolving the URL (which hits the website!)
|
||||||
|
JResult res = getFromCache(url, originalUrl); |
||||||
|
if (res != null) |
||||||
|
return res; |
||||||
|
|
||||||
|
String resUrl = getResolvedUrl(url, timeout); |
||||||
|
if (resUrl.isEmpty()) { |
||||||
|
Log.d(Constants.TAG, "resolved url is empty. Url is: " + url); |
||||||
|
|
||||||
|
JResult result = new JResult(); |
||||||
|
if (cache != null) |
||||||
|
cache.put(url, result); |
||||||
|
return result.setUrl(url); |
||||||
|
} |
||||||
|
|
||||||
|
// if resolved url is longer then use it!
|
||||||
|
if (resUrl != null && resUrl.trim().length() > url.length()) { |
||||||
|
// this is necessary e.g. for some homebaken url resolvers which
|
||||||
|
// return
|
||||||
|
// the resolved url relative to url!
|
||||||
|
url = SHelper.useDomainOfFirstArg4Second(url, resUrl); |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
// check if we have the (resolved) URL in cache
|
||||||
|
JResult res = getFromCache(url, originalUrl); |
||||||
|
if (res != null) |
||||||
|
return res; |
||||||
|
|
||||||
|
JResult result = new JResult(); |
||||||
|
// or should we use? <link rel="canonical"
|
||||||
|
// href="http://www.N24.de/news/newsitem_6797232.html"/>
|
||||||
|
result.setUrl(url); |
||||||
|
result.setOriginalUrl(originalUrl); |
||||||
|
result.setDate(SHelper.estimateDate(url)); |
||||||
|
|
||||||
|
// Immediately put the url into the cache as extracting content takes
|
||||||
|
// time.
|
||||||
|
if (cache != null) { |
||||||
|
cache.put(originalUrl, result); |
||||||
|
cache.put(url, result); |
||||||
|
} |
||||||
|
|
||||||
|
String lowerUrl = url.toLowerCase(Locale.getDefault()); |
||||||
|
if (SHelper.isDoc(lowerUrl) || SHelper.isApp(lowerUrl) || SHelper.isPackage(lowerUrl)) { |
||||||
|
// skip
|
||||||
|
} else if (SHelper.isVideo(lowerUrl) || SHelper.isAudio(lowerUrl)) { |
||||||
|
result.setVideoUrl(url); |
||||||
|
} else if (SHelper.isImage(lowerUrl)) { |
||||||
|
result.setImageUrl(url); |
||||||
|
} else { |
||||||
|
extractor.extractContent(result, fetchAsString(url, timeout)); |
||||||
|
if (result.getFaviconUrl().isEmpty()) |
||||||
|
result.setFaviconUrl(SHelper.getDefaultFavicon(url)); |
||||||
|
|
||||||
|
// some links are relative to root and do not include the domain of
|
||||||
|
// the url :(
|
||||||
|
result.setFaviconUrl(fixUrl(url, result.getFaviconUrl())); |
||||||
|
result.setImageUrl(fixUrl(url, result.getImageUrl())); |
||||||
|
result.setVideoUrl(fixUrl(url, result.getVideoUrl())); |
||||||
|
result.setRssUrl(fixUrl(url, result.getRssUrl())); |
||||||
|
} |
||||||
|
result.setText(lessText(result.getText())); |
||||||
|
synchronized (result) { |
||||||
|
result.notifyAll(); |
||||||
|
} |
||||||
|
return result; |
||||||
|
} |
||||||
|
|
||||||
|
public String lessText(String text) { |
||||||
|
if (text == null) |
||||||
|
return ""; |
||||||
|
|
||||||
|
if (maxTextLength >= 0 && text.length() > maxTextLength) |
||||||
|
return text.substring(0, maxTextLength); |
||||||
|
|
||||||
|
return text; |
||||||
|
} |
||||||
|
|
||||||
|
private static String fixUrl(String url, String urlOrPath) { |
||||||
|
return SHelper.useDomainOfFirstArg4Second(url, urlOrPath); |
||||||
|
} |
||||||
|
|
||||||
|
public String fetchAsString(String urlAsString, int timeout) throws MalformedURLException, |
||||||
|
IOException { |
||||||
|
return fetchAsString(urlAsString, timeout, true); |
||||||
|
} |
||||||
|
|
||||||
|
public String fetchAsString(String urlAsString, int timeout, boolean includeSomeGooseOptions) |
||||||
|
throws MalformedURLException, IOException { |
||||||
|
HttpURLConnection hConn = createUrlConnection(urlAsString, timeout, includeSomeGooseOptions); |
||||||
|
hConn.setInstanceFollowRedirects(true); |
||||||
|
String encoding = hConn.getContentEncoding(); |
||||||
|
InputStream is; |
||||||
|
if (encoding != null && encoding.equalsIgnoreCase("gzip")) { |
||||||
|
is = new GZIPInputStream(hConn.getInputStream()); |
||||||
|
} else if (encoding != null && encoding.equalsIgnoreCase("deflate")) { |
||||||
|
is = new InflaterInputStream(hConn.getInputStream(), new Inflater(true)); |
||||||
|
} else { |
||||||
|
is = hConn.getInputStream(); |
||||||
|
} |
||||||
|
|
||||||
|
String enc = Converter.extractEncoding(hConn.getContentType()); |
||||||
|
String res = createConverter(urlAsString).streamToString(is, enc); |
||||||
|
Log.d(Constants.TAG, res.length() + " FetchAsString:" + urlAsString); |
||||||
|
return res; |
||||||
|
} |
||||||
|
|
||||||
|
public Converter createConverter(String url) { |
||||||
|
return new Converter(url); |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* On some devices we have to hack: |
||||||
|
* http://developers.sun.com/mobility/reference
|
||||||
|
* /techart/design_guidelines/http_redirection.html |
||||||
|
* |
||||||
|
* @param timeout |
||||||
|
* Sets a specified timeout value, in milliseconds |
||||||
|
* @return the resolved url if any. Or null if it couldn't resolve the url |
||||||
|
* (within the specified time) or the same url if response code is |
||||||
|
* OK |
||||||
|
*/ |
||||||
|
public String getResolvedUrl(String urlAsString, int timeout) { |
||||||
|
String newUrl = null; |
||||||
|
int responseCode = -1; |
||||||
|
try { |
||||||
|
HttpURLConnection hConn = createUrlConnection(urlAsString, timeout, true); |
||||||
|
// force no follow
|
||||||
|
hConn.setInstanceFollowRedirects(false); |
||||||
|
// the program doesn't care what the content actually is !!
|
||||||
|
// http://java.sun.com/developer/JDCTechTips/2003/tt0422.html
|
||||||
|
hConn.setRequestMethod("HEAD"); |
||||||
|
hConn.connect(); |
||||||
|
responseCode = hConn.getResponseCode(); |
||||||
|
hConn.getInputStream().close(); |
||||||
|
if (responseCode == HttpURLConnection.HTTP_OK) |
||||||
|
return urlAsString; |
||||||
|
|
||||||
|
newUrl = hConn.getHeaderField("Location"); |
||||||
|
if (responseCode / 100 == 3 && newUrl != null) { |
||||||
|
newUrl = newUrl.replaceAll(" ", "+"); |
||||||
|
// some services use (none-standard) utf8 in their location
|
||||||
|
// header
|
||||||
|
if (urlAsString.startsWith("http://bit.ly") |
||||||
|
|| urlAsString.startsWith("http://is.gd")) |
||||||
|
newUrl = encodeUriFromHeader(newUrl); |
||||||
|
|
||||||
|
// fix problems if shortened twice. as it is often the case
|
||||||
|
// after twitters' t.co bullshit
|
||||||
|
if (furtherResolveNecessary.contains(SHelper.extractDomain(newUrl, true))) |
||||||
|
newUrl = getResolvedUrl(newUrl, timeout); |
||||||
|
|
||||||
|
return newUrl; |
||||||
|
} else |
||||||
|
return urlAsString; |
||||||
|
|
||||||
|
} catch (Exception ex) { |
||||||
|
Log.e(Constants.TAG, "getResolvedUrl:" + urlAsString + " Error:" + ex.getMessage()); |
||||||
|
return ""; |
||||||
|
} finally { |
||||||
|
Log.e(Constants.TAG, responseCode + " url:" + urlAsString + " resolved:" + newUrl); |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* Takes a URI that was decoded as ISO-8859-1 and applies percent-encoding |
||||||
|
* to non-ASCII characters. Workaround for broken origin servers that send |
||||||
|
* UTF-8 in the Location: header. |
||||||
|
*/ |
||||||
|
static String encodeUriFromHeader(String badLocation) { |
||||||
|
StringBuilder sb = new StringBuilder(); |
||||||
|
|
||||||
|
for (char ch : badLocation.toCharArray()) { |
||||||
|
if (ch < (char) 128) { |
||||||
|
sb.append(ch); |
||||||
|
} else { |
||||||
|
// this is ONLY valid if the uri was decoded using ISO-8859-1
|
||||||
|
sb.append(String.format("%%%02X", (int) ch)); |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
return sb.toString(); |
||||||
|
} |
||||||
|
|
||||||
|
protected HttpURLConnection createUrlConnection(String urlAsStr, int timeout, |
||||||
|
boolean includeSomeGooseOptions) throws MalformedURLException, IOException { |
||||||
|
URL url = new URL(urlAsStr); |
||||||
|
// using proxy may increase latency
|
||||||
|
HttpURLConnection hConn = (HttpURLConnection) url.openConnection(Proxy.NO_PROXY); |
||||||
|
hConn.setRequestProperty("User-Agent", userAgent); |
||||||
|
hConn.setRequestProperty("Accept", accept); |
||||||
|
|
||||||
|
if (includeSomeGooseOptions) { |
||||||
|
hConn.setRequestProperty("Accept-Language", language); |
||||||
|
hConn.setRequestProperty("content-charset", charset); |
||||||
|
hConn.addRequestProperty("Referer", referrer); |
||||||
|
// avoid the cache for testing purposes only?
|
||||||
|
hConn.setRequestProperty("Cache-Control", cacheControl); |
||||||
|
} |
||||||
|
|
||||||
|
// suggest respond to be gzipped or deflated (which is just another
|
||||||
|
// compression)
|
||||||
|
// http://stackoverflow.com/q/3932117
|
||||||
|
hConn.setRequestProperty("Accept-Encoding", "gzip, deflate"); |
||||||
|
hConn.setConnectTimeout(timeout); |
||||||
|
hConn.setReadTimeout(timeout); |
||||||
|
return hConn; |
||||||
|
} |
||||||
|
|
||||||
|
private JResult getFromCache(String url, String originalUrl) throws Exception { |
||||||
|
if (cache != null) { |
||||||
|
JResult res = cache.get(url); |
||||||
|
if (res != null) { |
||||||
|
// e.g. the cache returned a shortened url as original url now
|
||||||
|
// we want to store the
|
||||||
|
// current original url! Also it can be that the cache response
|
||||||
|
// to url but the JResult
|
||||||
|
// does not contain it so overwrite it:
|
||||||
|
res.setUrl(url); |
||||||
|
res.setOriginalUrl(originalUrl); |
||||||
|
cacheCounter.addAndGet(1); |
||||||
|
return res; |
||||||
|
} |
||||||
|
} |
||||||
|
return null; |
||||||
|
} |
||||||
|
} |
||||||
@ -0,0 +1,31 @@ |
|||||||
|
package acr.browser.lightning.Reading; |
||||||
|
|
||||||
|
import org.jsoup.nodes.Element; |
||||||
|
|
||||||
|
/** |
||||||
|
* Class which encapsulates the data from an image found under an element |
||||||
|
* |
||||||
|
* @author Chris Alexander, chris@chris-alexander.co.uk |
||||||
|
*/ |
||||||
|
public class ImageResult { |
||||||
|
|
||||||
|
public String src; |
||||||
|
public Integer weight; |
||||||
|
public String title; |
||||||
|
public int height; |
||||||
|
public int width; |
||||||
|
public String alt; |
||||||
|
public boolean noFollow; |
||||||
|
public Element element; |
||||||
|
|
||||||
|
public ImageResult(String src, Integer weight, String title, int height, int width, String alt, |
||||||
|
boolean noFollow) { |
||||||
|
this.src = src; |
||||||
|
this.weight = weight; |
||||||
|
this.title = title; |
||||||
|
this.height = height; |
||||||
|
this.width = width; |
||||||
|
this.alt = alt; |
||||||
|
this.noFollow = noFollow; |
||||||
|
} |
||||||
|
} |
||||||
@ -0,0 +1,216 @@ |
|||||||
|
/* |
||||||
|
* Copyright 2011 Peter Karich |
||||||
|
* |
||||||
|
* Licensed under the Apache License, Version 2.0 (the "License"); |
||||||
|
* you may not use this file except in compliance with the License. |
||||||
|
* You may obtain a copy of the License at |
||||||
|
* |
||||||
|
* http://www.apache.org/licenses/LICENSE-2.0
|
||||||
|
* |
||||||
|
* Unless required by applicable law or agreed to in writing, software |
||||||
|
* distributed under the License is distributed on an "AS IS" BASIS, |
||||||
|
* WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. |
||||||
|
* See the License for the specific language governing permissions and |
||||||
|
* limitations under the License. |
||||||
|
*/ |
||||||
|
package acr.browser.lightning.Reading; |
||||||
|
|
||||||
|
import java.io.Serializable; |
||||||
|
import java.util.ArrayList; |
||||||
|
import java.util.Collection; |
||||||
|
import java.util.Collections; |
||||||
|
import java.util.List; |
||||||
|
|
||||||
|
/** |
||||||
|
* Parsed result from web page containing important title, text and image. |
||||||
|
* |
||||||
|
* @author Peter Karich |
||||||
|
*/ |
||||||
|
public class JResult implements Serializable { |
||||||
|
|
||||||
|
private String title; |
||||||
|
private String url; |
||||||
|
private String originalUrl; |
||||||
|
private String canonicalUrl; |
||||||
|
private String imageUrl; |
||||||
|
private String videoUrl; |
||||||
|
private String rssUrl; |
||||||
|
private String text; |
||||||
|
private String faviconUrl; |
||||||
|
private String description; |
||||||
|
private String dateString; |
||||||
|
private List<String> textList; |
||||||
|
private Collection<String> keywords; |
||||||
|
private List<ImageResult> images = null; |
||||||
|
|
||||||
|
public JResult() { |
||||||
|
} |
||||||
|
|
||||||
|
public String getUrl() { |
||||||
|
if (url == null) |
||||||
|
return ""; |
||||||
|
return url; |
||||||
|
} |
||||||
|
|
||||||
|
public JResult setUrl(String url) { |
||||||
|
this.url = url; |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public JResult setOriginalUrl(String originalUrl) { |
||||||
|
this.originalUrl = originalUrl; |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public String getOriginalUrl() { |
||||||
|
return originalUrl; |
||||||
|
} |
||||||
|
|
||||||
|
public JResult setCanonicalUrl(String canonicalUrl) { |
||||||
|
this.canonicalUrl = canonicalUrl; |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public String getCanonicalUrl() { |
||||||
|
return canonicalUrl; |
||||||
|
} |
||||||
|
|
||||||
|
public String getFaviconUrl() { |
||||||
|
if (faviconUrl == null) |
||||||
|
return ""; |
||||||
|
return faviconUrl; |
||||||
|
} |
||||||
|
|
||||||
|
public JResult setFaviconUrl(String faviconUrl) { |
||||||
|
this.faviconUrl = faviconUrl; |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public JResult setRssUrl(String rssUrl) { |
||||||
|
this.rssUrl = rssUrl; |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public String getRssUrl() { |
||||||
|
if (rssUrl == null) |
||||||
|
return ""; |
||||||
|
return rssUrl; |
||||||
|
} |
||||||
|
|
||||||
|
public String getDescription() { |
||||||
|
if (description == null) |
||||||
|
return ""; |
||||||
|
return description; |
||||||
|
} |
||||||
|
|
||||||
|
public JResult setDescription(String description) { |
||||||
|
this.description = description; |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public String getImageUrl() { |
||||||
|
if (imageUrl == null) |
||||||
|
return ""; |
||||||
|
return imageUrl; |
||||||
|
} |
||||||
|
|
||||||
|
public JResult setImageUrl(String imageUrl) { |
||||||
|
this.imageUrl = imageUrl; |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public String getText() { |
||||||
|
if (text == null) |
||||||
|
return ""; |
||||||
|
|
||||||
|
return text; |
||||||
|
} |
||||||
|
|
||||||
|
public JResult setText(String text) { |
||||||
|
this.text = text; |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public List<String> getTextList() { |
||||||
|
if (this.textList == null) |
||||||
|
return new ArrayList<String>(); |
||||||
|
return this.textList; |
||||||
|
} |
||||||
|
|
||||||
|
public JResult setTextList(List<String> textList) { |
||||||
|
this.textList = textList; |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public String getTitle() { |
||||||
|
if (title == null) |
||||||
|
return ""; |
||||||
|
return title; |
||||||
|
} |
||||||
|
|
||||||
|
public JResult setTitle(String title) { |
||||||
|
this.title = title; |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public String getVideoUrl() { |
||||||
|
if (videoUrl == null) |
||||||
|
return ""; |
||||||
|
return videoUrl; |
||||||
|
} |
||||||
|
|
||||||
|
public JResult setVideoUrl(String videoUrl) { |
||||||
|
this.videoUrl = videoUrl; |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public JResult setDate(String date) { |
||||||
|
this.dateString = date; |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public Collection<String> getKeywords() { |
||||||
|
return keywords; |
||||||
|
} |
||||||
|
|
||||||
|
public void setKeywords(Collection<String> keywords) { |
||||||
|
this.keywords = keywords; |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* @return get date from url or guessed from text |
||||||
|
*/ |
||||||
|
public String getDate() { |
||||||
|
return dateString; |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* @return images list |
||||||
|
*/ |
||||||
|
public List<ImageResult> getImages() { |
||||||
|
if (images == null) |
||||||
|
return Collections.emptyList(); |
||||||
|
return images; |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* @return images count |
||||||
|
*/ |
||||||
|
public int getImagesCount() { |
||||||
|
if (images == null) |
||||||
|
return 0; |
||||||
|
return images.size(); |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* set images list |
||||||
|
*/ |
||||||
|
public void setImages(List<ImageResult> images) { |
||||||
|
this.images = images; |
||||||
|
} |
||||||
|
|
||||||
|
@Override |
||||||
|
public String toString() { |
||||||
|
return "title:" + getTitle() + " imageUrl:" + getImageUrl() + " text:" + text; |
||||||
|
} |
||||||
|
} |
||||||
@ -0,0 +1,80 @@ |
|||||||
|
/** |
||||||
|
* Copyright (C) 2010 Peter Karich <> |
||||||
|
* |
||||||
|
* Licensed under the Apache License, Version 2.0 (the "License"); you may not |
||||||
|
* use this file except in compliance with the License. You may obtain a copy of |
||||||
|
* the License at |
||||||
|
* |
||||||
|
* http://www.apache.org/licenses/LICENSE-2.0
|
||||||
|
* |
||||||
|
* Unless required by applicable law or agreed to in writing, software |
||||||
|
* distributed under the License is distributed on an "AS IS" BASIS, WITHOUT |
||||||
|
* WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. See the |
||||||
|
* License for the specific language governing permissions and limitations under |
||||||
|
* the License. |
||||||
|
*/ |
||||||
|
package acr.browser.lightning.Reading; |
||||||
|
|
||||||
|
import java.io.Serializable; |
||||||
|
import java.util.Map; |
||||||
|
|
||||||
|
/** |
||||||
|
* Simple impl of Map.Entry. So that we can have ordered maps. |
||||||
|
* |
||||||
|
* @author Peter Karich, peat_hal ‘at’ users ‘dot’ sourceforge ‘dot’ |
||||||
|
* net |
||||||
|
*/ |
||||||
|
public class MapEntry<K, V> implements Map.Entry<K, V>, Serializable { |
||||||
|
|
||||||
|
private static final long serialVersionUID = 1L; |
||||||
|
private K key; |
||||||
|
private V value; |
||||||
|
|
||||||
|
public MapEntry(K key, V value) { |
||||||
|
this.key = key; |
||||||
|
this.value = value; |
||||||
|
} |
||||||
|
|
||||||
|
@Override |
||||||
|
public K getKey() { |
||||||
|
return key; |
||||||
|
} |
||||||
|
|
||||||
|
@Override |
||||||
|
public V getValue() { |
||||||
|
return value; |
||||||
|
} |
||||||
|
|
||||||
|
@Override |
||||||
|
public V setValue(V value) { |
||||||
|
this.value = value; |
||||||
|
return value; |
||||||
|
} |
||||||
|
|
||||||
|
@Override |
||||||
|
public String toString() { |
||||||
|
return getKey() + ", " + getValue(); |
||||||
|
} |
||||||
|
|
||||||
|
@Override |
||||||
|
public boolean equals(Object obj) { |
||||||
|
if (obj == null) |
||||||
|
return false; |
||||||
|
if (getClass() != obj.getClass()) |
||||||
|
return false; |
||||||
|
final MapEntry<K, V> other = (MapEntry<K, V>) obj; |
||||||
|
if (this.key != other.key && (this.key == null || !this.key.equals(other.key))) |
||||||
|
return false; |
||||||
|
if (this.value != other.value && (this.value == null || !this.value.equals(other.value))) |
||||||
|
return false; |
||||||
|
return true; |
||||||
|
} |
||||||
|
|
||||||
|
@Override |
||||||
|
public int hashCode() { |
||||||
|
int hash = 7; |
||||||
|
hash = 19 * hash + (this.key != null ? this.key.hashCode() : 0); |
||||||
|
hash = 19 * hash + (this.value != null ? this.value.hashCode() : 0); |
||||||
|
return hash; |
||||||
|
} |
||||||
|
} |
||||||
@ -0,0 +1,174 @@ |
|||||||
|
package acr.browser.lightning.Reading; |
||||||
|
|
||||||
|
import org.jsoup.Jsoup; |
||||||
|
import org.jsoup.nodes.Element; |
||||||
|
import org.jsoup.select.Elements; |
||||||
|
|
||||||
|
import java.util.ArrayList; |
||||||
|
import java.util.Arrays; |
||||||
|
import java.util.List; |
||||||
|
import java.util.Locale; |
||||||
|
import java.util.regex.Pattern; |
||||||
|
import org.jsoup.nodes.Node; |
||||||
|
import org.jsoup.nodes.TextNode; |
||||||
|
|
||||||
|
/** |
||||||
|
* @author goose | jim |
||||||
|
* @author karussell |
||||||
|
* |
||||||
|
* this class will be responsible for taking our top node and stripping |
||||||
|
* out junk we don't want and getting it ready for how we want it |
||||||
|
* presented to the user |
||||||
|
*/ |
||||||
|
public class OutputFormatter { |
||||||
|
|
||||||
|
public static final int MIN_PARAGRAPH_TEXT = 50; |
||||||
|
private static final List<String> NODES_TO_REPLACE = Arrays.asList("strong", "b", "i"); |
||||||
|
private Pattern unlikelyPattern = Pattern.compile("display\\:none|visibility\\:hidden"); |
||||||
|
protected final int minParagraphText; |
||||||
|
protected final List<String> nodesToReplace; |
||||||
|
protected String nodesToKeepCssSelector = "p"; |
||||||
|
|
||||||
|
public OutputFormatter() { |
||||||
|
this(MIN_PARAGRAPH_TEXT, NODES_TO_REPLACE); |
||||||
|
} |
||||||
|
|
||||||
|
public OutputFormatter(int minParagraphText) { |
||||||
|
this(minParagraphText, NODES_TO_REPLACE); |
||||||
|
} |
||||||
|
|
||||||
|
public OutputFormatter(int minParagraphText, List<String> nodesToReplace) { |
||||||
|
this.minParagraphText = minParagraphText; |
||||||
|
this.nodesToReplace = nodesToReplace; |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* set elements to keep in output text |
||||||
|
*/ |
||||||
|
public void setNodesToKeepCssSelector(String nodesToKeepCssSelector) { |
||||||
|
this.nodesToKeepCssSelector = nodesToKeepCssSelector; |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* takes an element and turns the P tags into \n\n |
||||||
|
*/ |
||||||
|
public String getFormattedText(Element topNode) { |
||||||
|
removeNodesWithNegativeScores(topNode); |
||||||
|
StringBuilder sb = new StringBuilder(); |
||||||
|
append(topNode, sb, nodesToKeepCssSelector); |
||||||
|
String str = SHelper.innerTrim(sb.toString()); |
||||||
|
if (str.length() > 100) |
||||||
|
return str; |
||||||
|
|
||||||
|
// no subelements
|
||||||
|
if (str.isEmpty() || !topNode.text().isEmpty() |
||||||
|
&& str.length() <= topNode.ownText().length()) |
||||||
|
str = topNode.text(); |
||||||
|
|
||||||
|
// if jsoup failed to parse the whole html now parse this smaller
|
||||||
|
// snippet again to avoid html tags disturbing our text:
|
||||||
|
return Jsoup.parse(str).text(); |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* Takes an element and returns a list of texts extracted from the P tags |
||||||
|
*/ |
||||||
|
public List<String> getTextList(Element topNode) { |
||||||
|
List<String> texts = new ArrayList<String>(); |
||||||
|
for (Element element : topNode.select(this.nodesToKeepCssSelector)) { |
||||||
|
if (element.hasText()) { |
||||||
|
texts.add(element.text()); |
||||||
|
} |
||||||
|
} |
||||||
|
return texts; |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* If there are elements inside our top node that have a negative gravity |
||||||
|
* score remove them |
||||||
|
*/ |
||||||
|
protected void removeNodesWithNegativeScores(Element topNode) { |
||||||
|
Elements gravityItems = topNode.select("*[gravityScore]"); |
||||||
|
for (Element item : gravityItems) { |
||||||
|
int score = Integer.parseInt(item.attr("gravityScore")); |
||||||
|
if (score < 0 || item.text().length() < minParagraphText) |
||||||
|
item.remove(); |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
protected void append(Element node, StringBuilder sb, String tagName) { |
||||||
|
// is select more costly then getElementsByTag?
|
||||||
|
MAIN: for (Element e : node.select(tagName)) { |
||||||
|
Element tmpEl = e; |
||||||
|
// check all elements until 'node'
|
||||||
|
while (tmpEl != null && !tmpEl.equals(node)) { |
||||||
|
if (unlikely(tmpEl)) |
||||||
|
continue MAIN; |
||||||
|
tmpEl = tmpEl.parent(); |
||||||
|
} |
||||||
|
|
||||||
|
String text = node2Text(e); |
||||||
|
if (text.isEmpty() || text.length() < minParagraphText |
||||||
|
|| text.length() > SHelper.countLetters(text) * 2) |
||||||
|
continue; |
||||||
|
|
||||||
|
sb.append(text); |
||||||
|
sb.append("\n\n"); |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
boolean unlikely(Node e) { |
||||||
|
if (e.attr("class") != null && e.attr("class").toLowerCase(Locale.getDefault()).contains("caption")) |
||||||
|
return true; |
||||||
|
|
||||||
|
String style = e.attr("style"); |
||||||
|
String clazz = e.attr("class"); |
||||||
|
if (unlikelyPattern.matcher(style).find() || unlikelyPattern.matcher(clazz).find()) |
||||||
|
return true; |
||||||
|
return false; |
||||||
|
} |
||||||
|
|
||||||
|
void appendTextSkipHidden(Element e, StringBuilder accum) { |
||||||
|
for (Node child : e.childNodes()) { |
||||||
|
if (unlikely(child)) |
||||||
|
continue; |
||||||
|
if (child instanceof TextNode) { |
||||||
|
TextNode textNode = (TextNode) child; |
||||||
|
String txt = textNode.text(); |
||||||
|
accum.append(txt); |
||||||
|
} else if (child instanceof Element) { |
||||||
|
Element element = (Element) child; |
||||||
|
if (accum.length() > 0 && element.isBlock() && !lastCharIsWhitespace(accum)) |
||||||
|
accum.append(" "); |
||||||
|
else if (element.tagName().equals("br")) |
||||||
|
accum.append(" "); |
||||||
|
appendTextSkipHidden(element, accum); |
||||||
|
} |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
boolean lastCharIsWhitespace(StringBuilder accum) { |
||||||
|
if (accum.length() == 0) |
||||||
|
return false; |
||||||
|
return Character.isWhitespace(accum.charAt(accum.length() - 1)); |
||||||
|
} |
||||||
|
|
||||||
|
protected String node2TextOld(Element el) { |
||||||
|
return el.text(); |
||||||
|
} |
||||||
|
|
||||||
|
protected String node2Text(Element el) { |
||||||
|
StringBuilder sb = new StringBuilder(200); |
||||||
|
appendTextSkipHidden(el, sb); |
||||||
|
return sb.toString(); |
||||||
|
} |
||||||
|
|
||||||
|
public OutputFormatter setUnlikelyPattern(String unlikelyPattern) { |
||||||
|
this.unlikelyPattern = Pattern.compile(unlikelyPattern); |
||||||
|
return this; |
||||||
|
} |
||||||
|
|
||||||
|
public OutputFormatter appendUnlikelyPattern(String str) { |
||||||
|
return setUnlikelyPattern(unlikelyPattern.toString() + "|" + str); |
||||||
|
} |
||||||
|
} |
||||||
@ -0,0 +1,29 @@ |
|||||||
|
/* |
||||||
|
* Copyright 2011 Peter Karich |
||||||
|
* |
||||||
|
* Licensed under the Apache License, Version 2.0 (the "License"); |
||||||
|
* you may not use this file except in compliance with the License. |
||||||
|
* You may obtain a copy of the License at |
||||||
|
* |
||||||
|
* http://www.apache.org/licenses/LICENSE-2.0
|
||||||
|
* |
||||||
|
* Unless required by applicable law or agreed to in writing, software |
||||||
|
* distributed under the License is distributed on an "AS IS" BASIS, |
||||||
|
* WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. |
||||||
|
* See the License for the specific language governing permissions and |
||||||
|
* limitations under the License. |
||||||
|
*/ |
||||||
|
package acr.browser.lightning.Reading; |
||||||
|
|
||||||
|
/** |
||||||
|
* |
||||||
|
* @author Peter Karich |
||||||
|
*/ |
||||||
|
public interface SCache { |
||||||
|
|
||||||
|
JResult get(String url); |
||||||
|
|
||||||
|
void put(String url, JResult res); |
||||||
|
|
||||||
|
int getSize(); |
||||||
|
} |
||||||
@ -0,0 +1,480 @@ |
|||||||
|
/* |
||||||
|
* Copyright 2011 Peter Karich |
||||||
|
* |
||||||
|
* Licensed under the Apache License, Version 2.0 (the "License"); |
||||||
|
* you may not use this file except in compliance with the License. |
||||||
|
* You may obtain a copy of the License at |
||||||
|
* |
||||||
|
* http://www.apache.org/licenses/LICENSE-2.0
|
||||||
|
* |
||||||
|
* Unless required by applicable law or agreed to in writing, software |
||||||
|
* distributed under the License is distributed on an "AS IS" BASIS, |
||||||
|
* WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. |
||||||
|
* See the License for the specific language governing permissions and |
||||||
|
* limitations under the License. |
||||||
|
*/ |
||||||
|
package acr.browser.lightning.Reading; |
||||||
|
|
||||||
|
import java.io.UnsupportedEncodingException; |
||||||
|
import java.net.CookieHandler; |
||||||
|
import java.net.CookieManager; |
||||||
|
import java.net.CookiePolicy; |
||||||
|
import java.net.URLDecoder; |
||||||
|
import java.net.URLEncoder; |
||||||
|
import java.security.SecureRandom; |
||||||
|
import java.security.cert.CertificateException; |
||||||
|
import java.security.cert.X509Certificate; |
||||||
|
import java.text.SimpleDateFormat; |
||||||
|
import java.util.Locale; |
||||||
|
import java.util.regex.Matcher; |
||||||
|
import java.util.regex.Pattern; |
||||||
|
|
||||||
|
import javax.net.ssl.KeyManager; |
||||||
|
import javax.net.ssl.SSLContext; |
||||||
|
import javax.net.ssl.TrustManager; |
||||||
|
import javax.net.ssl.X509TrustManager; |
||||||
|
import org.jsoup.nodes.Element; |
||||||
|
|
||||||
|
/** |
||||||
|
* |
||||||
|
* @author Peter Karich |
||||||
|
*/ |
||||||
|
public class SHelper { |
||||||
|
|
||||||
|
public static final String UTF8 = "UTF-8"; |
||||||
|
private static final Pattern SPACE = Pattern.compile(" "); |
||||||
|
|
||||||
|
public static String replaceSpaces(String url) { |
||||||
|
if (!url.isEmpty()) { |
||||||
|
url = url.trim(); |
||||||
|
if (url.contains(" ")) { |
||||||
|
Matcher spaces = SPACE.matcher(url); |
||||||
|
url = spaces.replaceAll("%20"); |
||||||
|
} |
||||||
|
} |
||||||
|
return url; |
||||||
|
} |
||||||
|
|
||||||
|
public static int count(String str, String substring) { |
||||||
|
int c = 0; |
||||||
|
int index1 = str.indexOf(substring); |
||||||
|
if (index1 >= 0) { |
||||||
|
c++; |
||||||
|
c += count(str.substring(index1 + substring.length()), substring); |
||||||
|
} |
||||||
|
return c; |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* remove more than two spaces or newlines |
||||||
|
*/ |
||||||
|
public static String innerTrim(String str) { |
||||||
|
if (str.isEmpty()) |
||||||
|
return ""; |
||||||
|
|
||||||
|
StringBuilder sb = new StringBuilder(); |
||||||
|
boolean previousSpace = false; |
||||||
|
for (int i = 0; i < str.length(); i++) { |
||||||
|
char c = str.charAt(i); |
||||||
|
if (c == ' ' || (int) c == 9 || c == '\n') { |
||||||
|
previousSpace = true; |
||||||
|
continue; |
||||||
|
} |
||||||
|
|
||||||
|
if (previousSpace) |
||||||
|
sb.append(' '); |
||||||
|
|
||||||
|
previousSpace = false; |
||||||
|
sb.append(c); |
||||||
|
} |
||||||
|
return sb.toString().trim(); |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* Starts reading the encoding from the first valid character until an |
||||||
|
* invalid encoding character occurs. |
||||||
|
*/ |
||||||
|
public static String encodingCleanup(String str) { |
||||||
|
StringBuilder sb = new StringBuilder(); |
||||||
|
boolean startedWithCorrectString = false; |
||||||
|
for (int i = 0; i < str.length(); i++) { |
||||||
|
char c = str.charAt(i); |
||||||
|
if (Character.isDigit(c) || Character.isLetter(c) || c == '-' || c == '_') { |
||||||
|
startedWithCorrectString = true; |
||||||
|
sb.append(c); |
||||||
|
continue; |
||||||
|
} |
||||||
|
|
||||||
|
if (startedWithCorrectString) |
||||||
|
break; |
||||||
|
} |
||||||
|
return sb.toString().trim(); |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* @return the longest substring as str1.substring(result[0], result[1]); |
||||||
|
*/ |
||||||
|
public static String getLongestSubstring(String str1, String str2) { |
||||||
|
int res[] = longestSubstring(str1, str2); |
||||||
|
if (res == null || res[0] >= res[1]) |
||||||
|
return ""; |
||||||
|
|
||||||
|
return str1.substring(res[0], res[1]); |
||||||
|
} |
||||||
|
|
||||||
|
public static int[] longestSubstring(String str1, String str2) { |
||||||
|
if (str1 == null || str1.isEmpty() || str2 == null || str2.isEmpty()) |
||||||
|
return null; |
||||||
|
|
||||||
|
// dynamic programming => save already identical length into array
|
||||||
|
// to understand this algo simply print identical length in every entry
|
||||||
|
// of the array
|
||||||
|
// i+1, j+1 then reuses information from i,j
|
||||||
|
// java initializes them already with 0
|
||||||
|
int[][] num = new int[str1.length()][str2.length()]; |
||||||
|
int maxlen = 0; |
||||||
|
int lastSubstrBegin = 0; |
||||||
|
int endIndex = 0; |
||||||
|
for (int i = 0; i < str1.length(); i++) { |
||||||
|
for (int j = 0; j < str2.length(); j++) { |
||||||
|
if (str1.charAt(i) == str2.charAt(j)) { |
||||||
|
if ((i == 0) || (j == 0)) |
||||||
|
num[i][j] = 1; |
||||||
|
else |
||||||
|
num[i][j] = 1 + num[i - 1][j - 1]; |
||||||
|
|
||||||
|
if (num[i][j] > maxlen) { |
||||||
|
maxlen = num[i][j]; |
||||||
|
// generate substring from str1 => i
|
||||||
|
lastSubstrBegin = i - num[i][j] + 1; |
||||||
|
endIndex = i + 1; |
||||||
|
} |
||||||
|
} |
||||||
|
} |
||||||
|
} |
||||||
|
return new int[] { lastSubstrBegin, endIndex }; |
||||||
|
} |
||||||
|
|
||||||
|
public static String getDefaultFavicon(String url) { |
||||||
|
return useDomainOfFirstArg4Second(url, "/favicon.ico"); |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* @param urlForDomain |
||||||
|
* extract the domain from this url |
||||||
|
* @param path |
||||||
|
* this url does not have a domain |
||||||
|
* @return |
||||||
|
*/ |
||||||
|
public static String useDomainOfFirstArg4Second(String urlForDomain, String path) { |
||||||
|
if (path.startsWith("http")) |
||||||
|
return path; |
||||||
|
|
||||||
|
if ("favicon.ico".equals(path)) |
||||||
|
path = "/favicon.ico"; |
||||||
|
|
||||||
|
if (path.startsWith("//")) { |
||||||
|
// wikipedia special case, see tests
|
||||||
|
if (urlForDomain.startsWith("https:")) |
||||||
|
return "https:" + path; |
||||||
|
|
||||||
|
return "http:" + path; |
||||||
|
} else if (path.startsWith("/")) |
||||||
|
return "http://" + extractHost(urlForDomain) + path; |
||||||
|
else if (path.startsWith("../")) { |
||||||
|
int slashIndex = urlForDomain.lastIndexOf("/"); |
||||||
|
if (slashIndex > 0 && slashIndex + 1 < urlForDomain.length()) |
||||||
|
urlForDomain = urlForDomain.substring(0, slashIndex + 1); |
||||||
|
|
||||||
|
return urlForDomain + path; |
||||||
|
} |
||||||
|
return path; |
||||||
|
} |
||||||
|
|
||||||
|
public static String extractHost(String url) { |
||||||
|
return extractDomain(url, false); |
||||||
|
} |
||||||
|
|
||||||
|
public static String extractDomain(String url, boolean aggressive) { |
||||||
|
if (url.startsWith("http://")) |
||||||
|
url = url.substring("http://".length()); |
||||||
|
else if (url.startsWith("https://")) |
||||||
|
url = url.substring("https://".length()); |
||||||
|
|
||||||
|
if (aggressive) { |
||||||
|
if (url.startsWith("www.")) |
||||||
|
url = url.substring("www.".length()); |
||||||
|
|
||||||
|
// strip mobile from start
|
||||||
|
if (url.startsWith("m.")) |
||||||
|
url = url.substring("m.".length()); |
||||||
|
} |
||||||
|
|
||||||
|
int slashIndex = url.indexOf("/"); |
||||||
|
if (slashIndex > 0) |
||||||
|
url = url.substring(0, slashIndex); |
||||||
|
|
||||||
|
return url; |
||||||
|
} |
||||||
|
|
||||||
|
public static boolean isVideoLink(String url) { |
||||||
|
url = extractDomain(url, true); |
||||||
|
return url.startsWith("youtube.com") || url.startsWith("video.yahoo.com") |
||||||
|
|| url.startsWith("vimeo.com") || url.startsWith("blip.tv"); |
||||||
|
} |
||||||
|
|
||||||
|
public static boolean isVideo(String url) { |
||||||
|
return url.endsWith(".mpeg") || url.endsWith(".mpg") || url.endsWith(".avi") |
||||||
|
|| url.endsWith(".mov") || url.endsWith(".mpg4") || url.endsWith(".mp4") |
||||||
|
|| url.endsWith(".flv") || url.endsWith(".wmv"); |
||||||
|
} |
||||||
|
|
||||||
|
public static boolean isAudio(String url) { |
||||||
|
return url.endsWith(".mp3") || url.endsWith(".ogg") || url.endsWith(".m3u") |
||||||
|
|| url.endsWith(".wav"); |
||||||
|
} |
||||||
|
|
||||||
|
public static boolean isDoc(String url) { |
||||||
|
return url.endsWith(".pdf") || url.endsWith(".ppt") || url.endsWith(".doc") |
||||||
|
|| url.endsWith(".swf") || url.endsWith(".rtf") || url.endsWith(".xls"); |
||||||
|
} |
||||||
|
|
||||||
|
public static boolean isPackage(String url) { |
||||||
|
return url.endsWith(".gz") || url.endsWith(".tgz") || url.endsWith(".zip") |
||||||
|
|| url.endsWith(".rar") || url.endsWith(".deb") || url.endsWith(".rpm") |
||||||
|
|| url.endsWith(".7z"); |
||||||
|
} |
||||||
|
|
||||||
|
public static boolean isApp(String url) { |
||||||
|
return url.endsWith(".exe") || url.endsWith(".bin") || url.endsWith(".bat") |
||||||
|
|| url.endsWith(".dmg"); |
||||||
|
} |
||||||
|
|
||||||
|
public static boolean isImage(String url) { |
||||||
|
return url.endsWith(".png") || url.endsWith(".jpeg") || url.endsWith(".gif") |
||||||
|
|| url.endsWith(".jpg") || url.endsWith(".bmp") || url.endsWith(".ico") |
||||||
|
|| url.endsWith(".eps"); |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* @see http |
||||||
|
* ://blogs.sun.com/CoreJavaTechTips/entry/cookie_handling_in_java_se
|
||||||
|
*/ |
||||||
|
public static void enableCookieMgmt() { |
||||||
|
CookieManager manager = new CookieManager(); |
||||||
|
manager.setCookiePolicy(CookiePolicy.ACCEPT_ALL); |
||||||
|
CookieHandler.setDefault(manager); |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* @see http |
||||||
|
* ://stackoverflow.com/questions/2529682/setting-user-agent-of-a-java
|
||||||
|
* -urlconnection |
||||||
|
*/ |
||||||
|
public static void enableUserAgentOverwrite() { |
||||||
|
System.setProperty("http.agent", ""); |
||||||
|
} |
||||||
|
|
||||||
|
public static String getUrlFromUglyGoogleRedirect(String url) { |
||||||
|
if (url.startsWith("http://www.google.com/url?")) { |
||||||
|
url = url.substring("http://www.google.com/url?".length()); |
||||||
|
String arr[] = urlDecode(url).split("\\&"); |
||||||
|
if (arr != null) |
||||||
|
for (String str : arr) { |
||||||
|
if (str.startsWith("q=")) |
||||||
|
return str.substring("q=".length()); |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
return null; |
||||||
|
} |
||||||
|
|
||||||
|
public static String getUrlFromUglyFacebookRedirect(String url) { |
||||||
|
if (url.startsWith("http://www.facebook.com/l.php?u=")) { |
||||||
|
url = url.substring("http://www.facebook.com/l.php?u=".length()); |
||||||
|
return urlDecode(url); |
||||||
|
} |
||||||
|
|
||||||
|
return null; |
||||||
|
} |
||||||
|
|
||||||
|
public static String urlEncode(String str) { |
||||||
|
try { |
||||||
|
return URLEncoder.encode(str, UTF8); |
||||||
|
} catch (UnsupportedEncodingException ex) { |
||||||
|
return str; |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
public static String urlDecode(String str) { |
||||||
|
try { |
||||||
|
return URLDecoder.decode(str, UTF8); |
||||||
|
} catch (UnsupportedEncodingException ex) { |
||||||
|
return str; |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* Popular sites uses the #! to indicate the importance of the following |
||||||
|
* chars. Ugly but true. Such as: facebook, twitter, gizmodo, ... |
||||||
|
*/ |
||||||
|
public static String removeHashbang(String url) { |
||||||
|
return url.replaceFirst("#!", ""); |
||||||
|
} |
||||||
|
|
||||||
|
public static String printNode(Element root) { |
||||||
|
return printNode(root, 0); |
||||||
|
} |
||||||
|
|
||||||
|
public static String printNode(Element root, int indentation) { |
||||||
|
StringBuilder sb = new StringBuilder(); |
||||||
|
for (int i = 0; i < indentation; i++) { |
||||||
|
sb.append(' '); |
||||||
|
} |
||||||
|
sb.append(root.tagName()); |
||||||
|
sb.append(":"); |
||||||
|
sb.append(root.ownText()); |
||||||
|
sb.append("\n"); |
||||||
|
for (Element el : root.children()) { |
||||||
|
sb.append(printNode(el, indentation + 1)); |
||||||
|
sb.append("\n"); |
||||||
|
} |
||||||
|
return sb.toString(); |
||||||
|
} |
||||||
|
|
||||||
|
public static String estimateDate(String url) { |
||||||
|
int index = url.indexOf("://"); |
||||||
|
if (index > 0) |
||||||
|
url = url.substring(index + 3); |
||||||
|
|
||||||
|
int year = -1; |
||||||
|
int yearCounter = -1; |
||||||
|
int month = -1; |
||||||
|
int monthCounter = -1; |
||||||
|
int day = -1; |
||||||
|
String strs[] = url.split("/"); |
||||||
|
for (int counter = 0; counter < strs.length; counter++) { |
||||||
|
String str = strs[counter]; |
||||||
|
if (str.length() == 4) { |
||||||
|
try { |
||||||
|
year = Integer.parseInt(str); |
||||||
|
} catch (Exception ex) { |
||||||
|
continue; |
||||||
|
} |
||||||
|
if (year < 1970 || year > 3000) { |
||||||
|
year = -1; |
||||||
|
continue; |
||||||
|
} |
||||||
|
yearCounter = counter; |
||||||
|
} else if (str.length() == 2) { |
||||||
|
if (monthCounter < 0 && counter == yearCounter + 1) { |
||||||
|
try { |
||||||
|
month = Integer.parseInt(str); |
||||||
|
} catch (Exception ex) { |
||||||
|
continue; |
||||||
|
} |
||||||
|
if (month < 1 || month > 12) { |
||||||
|
month = -1; |
||||||
|
continue; |
||||||
|
} |
||||||
|
monthCounter = counter; |
||||||
|
} else if (counter == monthCounter + 1) { |
||||||
|
try { |
||||||
|
day = Integer.parseInt(str); |
||||||
|
} catch (Exception ex) { |
||||||
|
} |
||||||
|
if (day < 1 || day > 31) { |
||||||
|
day = -1; |
||||||
|
continue; |
||||||
|
} |
||||||
|
break; |
||||||
|
} |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
if (year < 0) |
||||||
|
return null; |
||||||
|
|
||||||
|
StringBuilder str = new StringBuilder(); |
||||||
|
str.append(year); |
||||||
|
if (month < 1) |
||||||
|
return str.toString(); |
||||||
|
|
||||||
|
str.append('/'); |
||||||
|
if (month < 10) |
||||||
|
str.append('0'); |
||||||
|
str.append(month); |
||||||
|
if (day < 1) |
||||||
|
return str.toString(); |
||||||
|
|
||||||
|
str.append('/'); |
||||||
|
if (day < 10) |
||||||
|
str.append('0'); |
||||||
|
str.append(day); |
||||||
|
return str.toString(); |
||||||
|
} |
||||||
|
|
||||||
|
public static String completeDate(String dateStr) { |
||||||
|
if (dateStr == null) |
||||||
|
return null; |
||||||
|
|
||||||
|
int index = dateStr.indexOf('/'); |
||||||
|
if (index > 0) { |
||||||
|
index = dateStr.indexOf('/', index + 1); |
||||||
|
if (index > 0) |
||||||
|
return dateStr; |
||||||
|
else |
||||||
|
return dateStr + "/01"; |
||||||
|
} |
||||||
|
return dateStr + "/01/01"; |
||||||
|
} |
||||||
|
|
||||||
|
/** |
||||||
|
* keep in mind: simpleDateFormatter is not thread safe! call completeDate |
||||||
|
* before applying this formatter. |
||||||
|
*/ |
||||||
|
public static SimpleDateFormat createDateFormatter() { |
||||||
|
return new SimpleDateFormat("yyyy/MM/dd", Locale.getDefault()); |
||||||
|
} |
||||||
|
|
||||||
|
// with the help of
|
||||||
|
// http://stackoverflow.com/questions/1828775/httpclient-and-ssl
|
||||||
|
public static void enableAnySSL() { |
||||||
|
try { |
||||||
|
SSLContext ctx = SSLContext.getInstance("TLS"); |
||||||
|
ctx.init(new KeyManager[0], new TrustManager[] { new DefaultTrustManager() }, |
||||||
|
new SecureRandom()); |
||||||
|
SSLContext.setDefault(ctx); |
||||||
|
} catch (Exception ex) { |
||||||
|
ex.printStackTrace(); |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
private static class DefaultTrustManager implements X509TrustManager { |
||||||
|
|
||||||
|
@Override |
||||||
|
public void checkClientTrusted(X509Certificate[] arg0, String arg1) |
||||||
|
throws CertificateException { |
||||||
|
} |
||||||
|
|
||||||
|
@Override |
||||||
|
public void checkServerTrusted(X509Certificate[] arg0, String arg1) |
||||||
|
throws CertificateException { |
||||||
|
} |
||||||
|
|
||||||
|
@Override |
||||||
|
public X509Certificate[] getAcceptedIssuers() { |
||||||
|
return null; |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
public static int countLetters(String str) { |
||||||
|
int len = str.length(); |
||||||
|
int chars = 0; |
||||||
|
for (int i = 0; i < len; i++) { |
||||||
|
if (Character.isLetter(str.charAt(i))) |
||||||
|
chars++; |
||||||
|
} |
||||||
|
return chars; |
||||||
|
} |
||||||
|
} |
||||||
@ -0,0 +1,153 @@ |
|||||||
|
package acr.browser.lightning; |
||||||
|
|
||||||
|
import java.util.ArrayList; |
||||||
|
import java.util.List; |
||||||
|
|
||||||
|
import acr.browser.lightning.Reading.HtmlFetcher; |
||||||
|
import acr.browser.lightning.Reading.JResult; |
||||||
|
import android.animation.ObjectAnimator; |
||||||
|
import android.app.ProgressDialog; |
||||||
|
import android.content.Context; |
||||||
|
import android.content.Intent; |
||||||
|
import android.os.AsyncTask; |
||||||
|
import android.os.Bundle; |
||||||
|
import android.support.v7.app.ActionBarActivity; |
||||||
|
import android.support.v7.widget.Toolbar; |
||||||
|
import android.view.MenuItem; |
||||||
|
import android.view.View; |
||||||
|
import android.widget.TextView; |
||||||
|
|
||||||
|
public class ReadingActivity extends ActionBarActivity { |
||||||
|
|
||||||
|
private TextView mTitle; |
||||||
|
private TextView mBody; |
||||||
|
|
||||||
|
@Override |
||||||
|
protected void onCreate(Bundle savedInstanceState) { |
||||||
|
super.onCreate(savedInstanceState); |
||||||
|
setContentView(R.layout.reading_view); |
||||||
|
|
||||||
|
Toolbar toolbar = (Toolbar) findViewById(R.id.toolbar); |
||||||
|
setSupportActionBar(toolbar); |
||||||
|
|
||||||
|
getSupportActionBar().setDisplayHomeAsUpEnabled(true); |
||||||
|
|
||||||
|
mTitle = (TextView) findViewById(R.id.textViewTitle); |
||||||
|
mBody = (TextView) findViewById(R.id.textViewBody); |
||||||
|
|
||||||
|
mTitle.setText(getString(R.string.untitled)); |
||||||
|
mBody.setText(getString(R.string.loading)); |
||||||
|
|
||||||
|
mTitle.setVisibility(View.INVISIBLE); |
||||||
|
mBody.setVisibility(View.INVISIBLE); |
||||||
|
|
||||||
|
Intent intent = getIntent(); |
||||||
|
if (!loadPage(intent)) { |
||||||
|
setText(getString(R.string.untitled), getString(R.string.loading_failed)); |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
protected boolean loadPage(Intent intent) { |
||||||
|
if (intent == null) { |
||||||
|
return false; |
||||||
|
} |
||||||
|
String url = intent.getStringExtra(Constants.LOAD_READING_URL); |
||||||
|
if (url == null) { |
||||||
|
return false; |
||||||
|
} |
||||||
|
getSupportActionBar().setTitle(Utils.getDomainName(url)); |
||||||
|
new PageLoader(this).execute(url); |
||||||
|
return true; |
||||||
|
} |
||||||
|
|
||||||
|
private class PageLoader extends AsyncTask<String, Void, Void> { |
||||||
|
|
||||||
|
private Context mContext; |
||||||
|
private ProgressDialog mProgressDialog; |
||||||
|
private String mTitleText; |
||||||
|
private List<String> mBodyText; |
||||||
|
|
||||||
|
public PageLoader(Context context) { |
||||||
|
mContext = context; |
||||||
|
} |
||||||
|
|
||||||
|
@Override |
||||||
|
protected void onPreExecute() { |
||||||
|
super.onPreExecute(); |
||||||
|
mProgressDialog = new ProgressDialog(mContext); |
||||||
|
mProgressDialog.setProgressStyle(ProgressDialog.STYLE_SPINNER); |
||||||
|
mProgressDialog.setCancelable(false); |
||||||
|
mProgressDialog.setIndeterminate(true); |
||||||
|
mProgressDialog.setMessage(mContext.getString(R.string.loading)); |
||||||
|
mProgressDialog.show(); |
||||||
|
} |
||||||
|
|
||||||
|
@Override |
||||||
|
protected Void doInBackground(String... params) { |
||||||
|
|
||||||
|
HtmlFetcher fetcher = new HtmlFetcher(); |
||||||
|
try { |
||||||
|
JResult result = fetcher.fetchAndExtract(params[0], 5000, true); |
||||||
|
mTitleText = result.getTitle(); |
||||||
|
mBodyText = result.getTextList(); |
||||||
|
} catch (Exception e) { |
||||||
|
mTitleText = ""; |
||||||
|
mBodyText = new ArrayList<>(); |
||||||
|
e.printStackTrace(); |
||||||
|
} catch (OutOfMemoryError e) { |
||||||
|
System.gc(); |
||||||
|
mTitleText = ""; |
||||||
|
mBodyText = new ArrayList<>(); |
||||||
|
e.printStackTrace(); |
||||||
|
} |
||||||
|
return null; |
||||||
|
} |
||||||
|
|
||||||
|
@Override |
||||||
|
protected void onPostExecute(Void result) { |
||||||
|
mProgressDialog.dismiss(); |
||||||
|
if (mTitleText.isEmpty() || mBodyText.isEmpty()) { |
||||||
|
setText(getString(R.string.untitled), getString(R.string.loading_failed)); |
||||||
|
} else { |
||||||
|
StringBuilder builder = new StringBuilder(); |
||||||
|
for (String text : mBodyText) { |
||||||
|
builder.append(text + "\n\n"); |
||||||
|
} |
||||||
|
setText(mTitleText, builder.toString()); |
||||||
|
} |
||||||
|
super.onPostExecute(result); |
||||||
|
} |
||||||
|
|
||||||
|
} |
||||||
|
|
||||||
|
private void setText(String title, String body) { |
||||||
|
if (mTitle.getVisibility() == View.INVISIBLE) { |
||||||
|
mTitle.setAlpha(0.0f); |
||||||
|
mTitle.setVisibility(View.VISIBLE); |
||||||
|
mTitle.setText(title); |
||||||
|
ObjectAnimator animator = ObjectAnimator.ofFloat(mTitle, "alpha", 1.0f); |
||||||
|
animator.setDuration(300); |
||||||
|
animator.start(); |
||||||
|
} else { |
||||||
|
mTitle.setText(title); |
||||||
|
} |
||||||
|
|
||||||
|
if (mBody.getVisibility() == View.INVISIBLE) { |
||||||
|
mBody.setAlpha(0.0f); |
||||||
|
mBody.setVisibility(View.VISIBLE); |
||||||
|
mBody.setText(body); |
||||||
|
ObjectAnimator animator = ObjectAnimator.ofFloat(mBody, "alpha", 1.0f); |
||||||
|
animator.setDuration(300); |
||||||
|
animator.start(); |
||||||
|
} else { |
||||||
|
mBody.setText(body); |
||||||
|
} |
||||||
|
} |
||||||
|
|
||||||
|
@Override |
||||||
|
public boolean onOptionsItemSelected(MenuItem item) { |
||||||
|
finish(); |
||||||
|
return super.onOptionsItemSelected(item); |
||||||
|
} |
||||||
|
|
||||||
|
} |
||||||
Loading…
Reference in new issue