#!/bin/php . */ define('N',"\n"); $inifp=null; $opts=array( 'excludeafter'=>60*60*24*30, 'startinstancesfp'=>null, 'loadbiglist'=>true, 'onlinecheck'=>true, 'timeout'=>5, 'biglistfp'=>null, 'prodlistfp'=>null, 'blacklists'=>array(), 'whitelists'=>array() ); $help='DESCRIZIONE Questo script parte da una selezione di istanze Mastodon («istanze di partenza»), ciascuna con una relativa lista di istanze da essa bloccate (che può anche essere omessa), e genera/aggiorna due liste: una che conterrà i dati di tutte le istanze di partenza e delle istanze ad esse note (comprese quelle bloccate, escluse soltanto quelle che non rispondono da un lasso di tempo impostabile), e una che conterrà solo le istanze non bloccate, la cui piattaforma è mastodon, che danno possibilità di iscrizione di nuovi utenti, il cui numero di utenti è compreso tra 11 e 30000, che conoscono almeno altre 500 istanze, che hanno avuto almeno 10 utenti attivi nell\'ultimo mese o, se questo dato non è disponibile, la cui media di toot per utente è maggiore o uguale a 10. SINTASSI crawler.php -i | -s -b -p [altre opzioni] OPZIONI -i, --inifp Imposta un file di configurazione da cui leggere le opzioni. Il formato di questo file è semplice: una opzione per riga in formato =, dove «opzione» è una qualsiasi tra le opzioni descritte qui nel suo formato lungo, tranne «inifp» e «help». Esempio: «startinstancesfp=startinstances.txt». Il file di configurazione può non contenere tutte le opzioni disponibili. Nota bene: tutte le opzioni impostate da riga di comando, che siano specificate prima o dopo questa, hanno la precedenza su quelle definite nel file di configurazione. -s, --startinstancesfp DEVE essere specificata. Imposta il file da cui leggere le istanze di partenza e le relative liste di istanze sospese-silenziate. Il formato del file è questo: per ogni riga: |[uri della relativa lista di istanze bloccate] Ogni riga vuota o che cominci con il carattere «#» sarà ignorata. Il formato del file delle istanze bloccate è questo: per ogni riga: |||| Esempio di : «2019-12-11 18:44:06.710862» : «0» per silenziata, «1» per sospesa, «2» per "solo file media e rapporti". -b, --biglistfp DEVE essere specificata. Imposta il file da cui leggere le istanze già testate in passato (se il file esiste e non è specificata l’opzione «-d», vedi sotto) e in cui scrivere tutti i dati recuperabili delle istanze testate. -p, --prodlistfp DEVE essere specificata. Imposta il file da cui leggere (se esiste) e in cui scrivere i dati relativi alle istanze corrispondenti ai criteri di selezione descritti nel paragrafo «DESCRIZIONE». -B, --blacklistfp Imposta un eventuale file di istanze bloccate aggiuntivo. Per il formato di questi file vedi sopra il paragrafo relativo nella descrizione dell\'opzione «-s, --startinstancesfp». Questa opzione può essere utilizzata più volte per specificare più file di istanze bloccate. Nel file di configurazione ha un formato particolare: «blacklistfp=file1[,file2[,file3[...]]]». -w, --whitelistfp Imposta un eventuale file di istanze da non scartare mai, nemmeno se fanno parte di una delle blacklist utilizzato o non corrispondono ai criteri di filtraggio. Il formato di questi file è semplice: un dominio per riga (le righe vuote o che cominciano con il carattere «#» vengono ignorate. Questa opzione può essere utilizzata più volte per specificare più whitelist. Nel file di configurazione ha un formato particolare: «whitelistfp=file1[,file2[,file3[...]]]». -t, --timeout Imposta il timeout delle richieste http(s) in secondi. DEFAULT: '.$opts['timeout'].' secondi. -e, --excludeafter Imposta il lasso di tempo dopo il quale un’istanza che non risponde viene eliminata dal listone di tutte le istanze testate. «tempo» deve essere specificato come un numero, seguito eventualmente da un carattere che ne indica l’unità di misura: «s» o nessun carattere per secondi, «m» per minuti, «o» per ore, «g» per giorni, «S» per settimane, «M» per mesi (30 giorni), «A» per anni. DEFAULT: 1 mese. -l, --loadbiglist Dice al programma se caricare o meno il listone delle istanze già testate in passato. DEFAULT: «si». -c, --onlinecheck Dice al programma se interrogare o meno le istanze note. Se impostato a «no» forza a «si» «loadbiglist» (vedi opzione precedente). DEFAULT: «si». -h, --help Mostra questo aiuto ed esce. This program comes with ABSOLUTELY NO WARRANTY; for details see the source. This is free software, and you are welcome to redistribute it under certain conditions; see for details.'.N; function mexit($msg,$code) { echo($msg); exit($code); } function tosec($str) { if (preg_match('/^([0-9]+)([smogSMA]?)/',$str,$buf)===1) { switch ($buf[2]) { case '': case 's': return($buf[1]); break; case 'm': return($buf[1]*60); break; case 'o': return($buf[1]*60*60); break; case 'g': return($buf[1]*60*60*24); break; case 'S': return($buf[1]*60*60*24*7); break; case 'M': return($buf[1]*60*60*24*30); break; case 'A': return($buf[1]*60*60*24*365); break; } } else { return(false); } } for ($i=1; $i<$argc; $i++) { if ($argv[$i]=='-i' || $argv[$i]=='--inifp') { if ($i+1>=$argc || $argv[$i+1]=='') mexit('L’opzione «'.$argv[$i].'» richiede di specificare un file di configurazione (usa «-h» per vedere la guida).'.N,1); $i++; $inifp=$argv[$i]; } } if (!is_null($inifp)) { $buf=@parse_ini_file($inifp); if ($buf!==false) { foreach ($buf as $key=>$val) { if (array_key_exists($key,$opts)) { if ($key=='excludeafter') { $opts['excludeafter']=tosec($val); if ($opts['excludeafter']===false) mexit('L’opzione «excludeafter» specificata in «'.$inifp.'» non è in un formato corretto (usa «-h» per vedere la guida).'.N,1); } elseif ($key=='blacklists') { $opts['blacklists']=explode(',',$val); } elseif ($key=='whitelists') { $opts['whitelists']=explode(',',$val); } else { $opts[$key]=$val; } } else { echo('Attenzione: l’opzione «'.$key.'» in «'.$inifp.'» è sconosciuta e sarà ignorata.'.N); } } } else { mexit('Attenzione: non ho potuto leggere la configurazione dal file «'.$inifp.'».'.N,1); } } for ($i=1; $i<$argc; $i++) { if (substr($argv[$i],0,1)=='-') { switch($argv[$i]) { case '-i': case '--inifp': $i++; break; case '-e': case '--excludeafter': if ($i+1>=$argc) $i++; $opts['excludeafter']=tosec($argv[$i]); if ($opts['excludeafter']===false) mexit('Opzione «'.$argv[$i].'»: formato non corretto (usa «-h» per vedere la guida).'.N,1); break; case '-t': case '--timeout': if ($i+1>=$argc || preg_match('/^[0-9]+$/',$argv[$i+1])!==1) mexit('L’opzione «'.$argv[$i].'» richiede un parametro numerico intero (usa «-h» per vedere la guida).'.N,1); $i++; $opts['timeout']=$argv[$i]; break; case '-b': case '--biglistfp': if ($i+1>=$argc || $argv[$i+1]=='') mexit('L’opzione «'.$argv[$i].'» richiede un parametro di tipo file (usa «-h» per vedere la guida).'.N,1); $i++; $opts['biglistfp']=$argv[$i]; break; case '-p': case '--prodlistfp': if ($i+1>=$argc || $argv[$i+1]=='') mexit('L’opzione «'.$argv[$i].'» richiede un parametro di tipo file (usa «-h» per vedere la guida).'.N,1); $i++; $opts['prodlistfp']=$argv[$i]; break; case '-s': case '--startinstancesfp': if ($i+1>=$argc || $argv[$i+1]=='') mexit('L’opzione «'.$argv[$i].'» richiede un parametro di tipo file (usa «-h» per vedere la guida).'.N,1); $i++; $opts['startinstancesfp']=$argv[$i]; break; case '-B': case '--blacklistfp': if ($i+1>=$argc || $argv[$i+1]=='') mexit('L’opzione «'.$argv[$i].'» richiede un parametro di tipo file (usa «-h» per vedere la guida).'.N,1); $i++; $opts['blacklists'][]=$argv[$i]; break; case '-w': case '--whitelistfp': if ($i+1>=$argc || $argv[$i+1]=='') mexit('L’opzione «'.$argv[$i].'» richiede un parametro di tipo file (usa «-h» per vedere la guida).'.N,1); $i++; $opts['whitelists'][]=$argv[$i]; break; case '-l': case '--loadbiglist': if ($i+1>=$argc || ($argv[$i+1]!='si' && $argv[$i+1]!='no')) mexit('L’opzione «'.$argv[$i].'» richiede un parametro («si/no») (usa «-h» per vedere la guida).'.N,1); $i++; $opts['loadbiglist']=true; if ($argv[$i]=='no') $opts['loadbiglist']=false; break; case '-c': case '--onlinecheck': if ($i+1>=$argc || ($argv[$i+1]!='si' && $argv[$i+1]!='no')) mexit('L’opzione «'.$argv[$i].'» richiede un parametro («si/no») (usa «-h» per vedere la guida).'.N,1); $i++; $opts['onlinecheck']=true; if ($argv[$i]=='no') $opts['onlinecheck']=false; break; case '-h': case '--help': mexit($help,1); break; default: mexit('Opzione «'.$argv[$i].'» sconosciuta (usa «-h» per vedere la guida).'.N,1); break; } } else { mexit('Opzione «'.$argv[$i].'» sconosciuta (usa «-h» per vedere la guida).'.N,1); } } $buf=null; if (is_null($opts['startinstancesfp'])) $buf.='- Non hai specificato il file delle istanze di partenza («-s/--startinstancesfp»)'.N; if (is_null($opts['biglistfp'])) $buf.='- Non hai specificato il file da cui leggere e in cui salvare i dati di tutte le istanze testate («-b/--biglistfp»)'.N; if (is_null($opts['prodlistfp'])) $buf.='- Non hai specificato il file da cui leggere e in cui salvare i dati di tutte le istanze testate che corrispondono ai criteri di selezione («-p/--prodlistfp»)'.N; if (!is_null($buf)) mexit('ERRORI'.N.$buf.'Usa «-h/--help» per leggere la guida.'.N,1); if (!$opts['onlinecheck']) $opts['loadbiglist']=true; $biglist=array(); $ibiglistc=0; if ($opts['loadbiglist']) { if (file_exists($opts['biglistfp']) && is_file($opts['biglistfp']) && is_readable($opts['biglistfp'])) { echo('Carico la listona pre-esistente («'.$opts['biglistfp'].'») ... '); $buf=@file_get_contents($opts['biglistfp']); if ($buf!==false) { echo('OK :-)'.N); $biglist=json_decode($buf,true); $ibiglistc=count($biglist); } else { echo('ERRORE :-('.N); } } } $blinstances=array(); $wlinstances=array(); function loadblacklist($bluri) { global $blinstances, $opts; $context=stream_context_create(array('http'=>array('timeout'=>$opts['timeout']))); $f=@fopen($bluri,'r',false,$context); if ($f!==false) { $i=0; while (!feof($f)) { $lin=fgets($f); //bsd.moe|2019-12-11 18:44:06.710862|1|https://mastodon.bida.im/@Ca_Gi/101270762003908554 if (preg_match('/^([^#\|]{1}[^\|]+)\|{1}([^\|]+)\|{1}([012]{1})\|{1}(.*)$/',$lin,$buf)===1 && !in_array($buf[1],$blinstances) ) { $i++; $blinstances[]=$buf[1]; } } fclose($f); echo('OK :-) (+'.$i.' istanze bloccate caricate; totale: '.count($blinstances).')'.N); } else { mexit('ERRORE :-('.N,1); } } $startinstances=array(); echo('Carico il file delle istanze di partenza («'.$opts['startinstancesfp'].'») ... '); $buf=@file_get_contents($opts['startinstancesfp']); if ($buf!==false) { echo('OK :-)'.N); $buf=explode(N,$buf); foreach ($buf as $val) { if ($val!='' && $val[0]!='#') { $kv=explode('|',$val); if ($kv[1]=='') $kv[1]=null; $startinstances[$kv[0]]=$kv[1]; } } } else { mexit(N.'Non ho potuto caricare il file delle istanze di partenza «'.$opts['startinstancesfp'].'», muoio.'.N,1); } if (count($startinstances)<1) mexit('Il file delle istanze di partenza «'.$opts['startinstancesfp'].'» non contiene alcuna voce, muoio.'.N,1); foreach ($startinstances as $dom=>$bluri) { if (!is_null($bluri)) { echo('Recupero la lista delle istanze bloccate da «'.$dom.'» («'.$bluri.'») ... '); loadblacklist($bluri); } else { echo('NON recupero la lista delle istanze bloccate da «'.$dom.'»: la uri della stessa non è definita.'.N); } } foreach ($opts['blacklists'] as $bluri) { echo('Carico la lista delle istanze bloccate dall\'URI «'.$bluri.'» ... '); loadblacklist($bluri); } sort($blinstances); echo(count($blinstances).' istanze bloccate.'.N); foreach ($opts['whitelists'] as $wluri) { echo('Carico la whitelist delle istanze dall\'URI «'.$wluri.'» ... '); $buf=@file_get_contents($wluri); if ($buf!==false) { echo('OK :-)'.N); $buf=explode(N,$buf); foreach ($buf as $val) { if ($val!='' && $val[0]!='#' && !in_array($val,$wlinstances)) $wlinstances[]=$val; } } else { mexit(N.'Non ho potuto caricare la whitelist delle istanze «'.$wluri.'», muoio.'.N,1); } } sort($wlinstances); echo(count($wlinstances).' istanze whitelistate.'.N); if ($opts['onlinecheck']) { $context=stream_context_create(array('http'=>array('timeout'=>$opts['timeout']))); foreach ($startinstances as $dom=>$bluri) { if (!array_key_exists($dom,$biglist)) $biglist[$dom]=null; echo('Recupero la lista delle istanze note a «'.$dom.'» ... '); $buf=@file_get_contents('https://'.$dom.'/api/v1/instance/peers',false,$context); if ($buf!==false) { echo('OK :-)'.N); $peers=json_decode($buf,true); foreach ($peers as $pdom) { if (!array_key_exists($pdom,$biglist)) { $biglist[$pdom]=null; } } } else { echo('ERRORE :-('.N); } } ksort($biglist); $diff=count($biglist)-$ibiglistc; if ($diff>=0) $diff='+'.$diff; echo('Totale istanze note: '.count($biglist).' ('.$diff.' rispetto all\'ultima volta).'.N); } $prodlist=array(); $iprodlistc=0; $buf=@file_get_contents($opts['prodlistfp']); if ($buf!==false) { $prodlist=json_decode($buf,true); $iprodlistc=count($prodlist); } $newbiglist=array(); $i=0; $biglistc=count($biglist); foreach ($biglist as $dom=>$oinfo) { $i++; echo('~~~~~~'.N); if ($opts['onlinecheck']) { echo('Recupero le informazioni su «'.$dom.'» ('.$i.'/'.$biglistc.' - '.round(100/$biglistc*$i).'%)'.N); echo('Recupero le informazioni Nodeinfo ... '); $ninfo=null; $buf=@file_get_contents('https://'.$dom.'/nodeinfo/2.0',false,$context); if ($buf!==false) { echo('OK :-)'.N); $ninfo=json_decode($buf,true); } else { echo('ERRORE :-('.N); } echo('Recupero le informazioni API sull\'attività dell\'istanza ... '); $activity=null; $buf=@file_get_contents('https://'.$dom.'/api/v1/instance/activity',false,$context); if ($buf!==false) { echo('OK :-)'.N); $activity=json_decode($buf,true); } else { echo('ERRORE :-('.N); } echo('Recupero le informazioni API sull\'istanza ... '); $info=null; $buf=@file_get_contents('https://'.$dom.'/api/v1/instance',false,$context); if ($buf!==false) { echo('OK :-)'.N); $info=json_decode($buf,true); if (!is_null($oinfo) && array_key_exists('X-Checks',$oinfo)) $info['X-Checks']=$oinfo['X-Checks']; $info['X-Checks'][]=array('time'=>time(),'ok'=>true); if (!is_null($ninfo)) { if (array_key_exists('usage',$ninfo) && array_key_exists('users',$ninfo['usage'])) { if (array_key_exists('activeMonth',$ninfo['usage']['users'])) $info['X-ActiveUsersPerMonth']=$ninfo['usage']['users']['activeMonth']; if (array_key_exists('activeHalfyear',$ninfo['usage']['users'])) $info['X-ActiveUsersPerHalfYear']=$ninfo['usage']['users']['activeHalfyear']; } if (array_key_exists('software',$ninfo)) { if (array_key_exists('name',$ninfo['software'])) $info['X-Software']=$ninfo['software']['name']; if (array_key_exists('version',$ninfo['software'])) $info['X-Version']=$ninfo['software']['version']; } } if (!is_null($activity)) $info['X-Activity']=$activity; $newbiglist[$dom]=$info; } else { echo('ERRORE :-( ... '); $lastokk=null; if (!is_null($oinfo) && array_key_exists('X-Checks',$oinfo)) { foreach ($oinfo['X-Checks'] as $key=>$val) if ($val['ok']) $lastokk=$key; } if (is_null($oinfo) || is_null($lastokk) || time()-$oinfo['X-Checks'][$lastokk]['time']<=$opts['excludeafter']) { echo('ma riproveremo...'.N); $oinfo['X-Checks'][]=array('time'=>time(),'ok'=>false); $newbiglist[$dom]=$oinfo; } else { echo('e non riproveremo...'.N); $oinfo=null; } $info=$oinfo; } } else { $info=$oinfo; } $whynot=array(); if (array_key_exists('uri',$info)) { if (!in_array($dom,$wlinstances)) { if (in_array($dom,$blinstances)) $whynot[]='Istanza blacklistata'; if (array_key_exists('X-Software',$info) && !in_array($info['X-Software'],array('mastodon','corgidon'))) $whynot[]='Il software non è Mastodon (ma '.$info['X-Software'].')'; if (!array_key_exists('registrations',$info)) $whynot[]='Stato delle registrazioni non disponibile'; elseif ($info['registrations']==false) $whynot[]='Registrazioni chiuse'; if (!array_key_exists('stats',$info)) { $whynot[]='Stats non disponibili'; } else { if (!array_key_exists('user_count',$info['stats'])) $whynot[]='Numero utenti non disponibile'; elseif ($info['stats']['user_count']<10 || $info['stats']['user_count']>30000) $whynot[]='Numero utenti ('.$info['stats']['user_count'].') non compreso tra 10 e 30000'; if (!array_key_exists('domain_count',$info['stats'])) $whynot[]='Numero istanze conosciute non disponibile'; elseif ($info['stats']['domain_count']<500) $whynot[]='Numero istanze conosciute minore di 500'; /* if (!array_key_exists('status_count',$info['stats'])) $whynot[]='Numero di toots non disponibile'; elseif ($info['stats']['status_count']/$info['stats']['user_count']<10) $whynot[]='Media dei toots per utente minore di 10';*/ } if (array_key_exists('X-ActiveUsersPerMonth',$info)) { if ($info['X-ActiveUsersPerMonth']<10) $whynot[]='Numero utenti attivi nell\'ultimo mese minore di 10'; } elseif (array_key_exists('stats',$info) && array_key_exists('status_count',$info['stats']) && array_key_exists('user_count',$info['stats']) && $info['stats']['user_count']>0 && $info['stats']['status_count']/$info['stats']['user_count']<10) { $whynot[]='Media dei toots per utente minore di 10'; } if (!array_key_exists('contact_account',$info) || is_null($info['contact_account'])) { $whynot[]='Informazioni sull\'account admin principale non disponibili'; }/* else { if (!array_key_exists('created_at',$info['contact_account'])) $whynot[]='Data di creazione dell\'account admin principale non disponibile'; elseif (time()-strtotime($info['contact_account']['created_at'])<6*31*24*60*60) $whynot[]='L\'account admin principale risulta esser stato creato meno di 6 mesi fa'; }*/ } else { echo('«'.$dom.'» è whitelistata, la teniamo a prescindere.'.N); } } elseif (!array_key_exists($dom,$prodlist)) { $whynot[]='Info non disponibili, e l\'istanza non era già presente nella lista delle istanze occhei'; } if (count($whynot)==0) { if (array_key_exists($dom,$prodlist)) { if (array_key_exists('short_description',$info) && (!array_key_exists('short_description',$prodlist[$dom]) || $prodlist[$dom]['short_description']!=$info['short_description'])) { $info['X-ShortDescriptionChanged']=true; $info['X-PrevShortDescription']=$prodlist[$dom]['short_description']; } else { $info['X-ShortDescriptionChanged']=false; } if (array_key_exists('description',$info) && (!array_key_exists('description',$prodlist[$dom]) || $prodlist[$dom]['description']!=$info['description'])) { $info['X-DescriptionChanged']=true; $info['X-PrevDescription']=$prodlist[$dom]['description']; } else { $info['X-DescriptionChanged']=false; } echo('«'.$dom.'» era nella lista delle istanze occhei ed è stata AGGIORNATA! :-)'.N); if (array_key_exists('X-Show',$prodlist[$dom])) $info['X-Show']=$prodlist[$dom]['X-Show']; else $info['X-Show']=-1; } else { $info['X-ShortDescriptionChanged']=false; $info['X-DescriptionChanged']=false; $info['X-Show']=-1; echo('«'.$dom.'» non era nella lista delle istanze occhei ed è stata AGGIUNTA! :-)'.N); } $prodlist[$dom]=$info; } else { if (array_key_exists($dom,$prodlist)) { unset($prodlist[$dom]); echo('«'.$dom.'» era nella lista delle istanze occhei ma è stata SCARTATA! :-('.N); } else { echo('«'.$dom.'» non era nella lista delle istanze occhei e NON CI È ENTRATA! :-('.N); } echo('Motivazioni: '.implode('; ',$whynot).'.'.N); } } echo('~~~~~~'.N); if ($opts['onlinecheck']) { $json=json_encode($newbiglist,JSON_PRETTY_PRINT); file_put_contents($opts['biglistfp'],$json); $newbiglistc=count($newbiglist); $diff=$newbiglistc-$ibiglistc; if ($diff>=0) $diff='+'.$diff; echo('Totale istanze nella listona: '.$newbiglistc.' ('.$diff.' rispetto all\'ultima volta)'.N); } else { echo('Totale istanze nella listona: '.count($biglist).N); } $json=json_encode($prodlist,JSON_PRETTY_PRINT); file_put_contents($opts['prodlistfp'],$json); $diff=count($prodlist)-$iprodlistc; if ($diff>=0) $diff='+'.$diff; echo('Totale istanze nella listina di quelle occhei: '.count($prodlist).' ('.$diff.' rispetto all\'ultima volta)'.N); ?>