]> git.donarmstrong.com Git - bin.git/blob - get_epub_pmid
add common subscriber
[bin.git] / get_epub_pmid
1 #! /usr/bin/perl
2 # get_epub_pmid tries to get epubs from pubmed, and is released
3 # under the terms of the GPL version 2, or any later version, at your
4 # option. See the file README and COPYING for more information.
5 # Copyright 2008 by Don Armstrong <don@donarmstrong.com>.
6 # $Id: perl_script 1352 2009-01-25 02:04:38Z don $
7
8
9 use warnings;
10 use strict;
11
12 use Getopt::Long;
13 use Pod::Usage;
14
15 =head1 NAME
16
17 get_epub_pmid - try to get an epub
18
19 =head1 SYNOPSIS
20
21 get_epub_pmid [options] reference [references]
22
23  Options:
24   --debug, -d debugging level (Default 0)
25   --help, -h display this help
26   --man, -m display manual
27
28 =head1 OPTIONS
29
30 =over
31
32 =item B<--pmid, -p>
33
34 The reference is a pmid
35
36 =item B<--cgi-proxy, -C>
37
38 Use this cgi proxy style proxy
39
40 =item B<--debug, -d>
41
42 Debug verbosity. (Default 0)
43
44 =item B<--help, -h>
45
46 Display brief usage information.
47
48 =item B<--man, -m>
49
50 Display this manual.
51
52 =back
53
54 =head1 EXAMPLES
55
56
57 =cut
58
59
60 use vars qw($DEBUG);
61
62 use Cwd;
63 use WWW::Mechanize;
64
65 my %options = (debug           => 0,
66                help            => 0,
67                man             => 0,
68                use_links       => 0,
69               );
70
71 my %REFERENCE_TYPES = (pmid => 'pmid|p');
72
73 GetOptions(\%options,
74            values %REFERENCE_TYPES,
75            'use_links|use-links!',
76            'cgi_proxy|cgi-proxy|C=s',
77            'http_proxy|http-proxy|H=s',
78            'debug|d+','help|h|?','man|m');
79
80 pod2usage() if $options{help};
81 pod2usage({verbose=>2}) if $options{man};
82
83 $DEBUG = $options{debug};
84
85
86
87 if (not grep {exists $options{$_} and
88                   defined $options{$_} and
89                   $options{$_}} keys %REFERENCE_TYPES) {
90     $options{pmid} = 1;
91 }
92 my @USAGE_ERRORS;
93 if (grep {exists $options{$_}
94               and defined $options{$_}
95                   and $options{$_}} keys %REFERENCE_TYPES > 1) {
96     push @USAGE_ERRORS,"You can only specify exactly one of the ".(map { "--$_"} keys %REFERENCE_TYPES)." options";
97 }
98
99 if (not @ARGV) {
100     push @USAGE_ERRORS,"You must specify at least one reference";
101 }
102
103 pod2usage(join("\n",@USAGE_ERRORS)) if @USAGE_ERRORS;
104
105
106 if (exists $options{http_proxy}) {
107     $ENV{http_proxy} = $options{http_proxy};
108     $ENV{HTTP_PROXY} = $options{http_proxy};
109     $ENV{CGI_HTTP_PROXY} = $options{http_proxy};
110 }
111
112 if ($options{pmid}) {
113     my $m = WWW::Mechanize->new(agent => 'Mozilla',cookie_jar => {});
114     for my $pmid (@ARGV) {
115         $pmid =~ s/\D//g;
116         next unless length $pmid;
117         my $url = "www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=${pmid}&dopt=Abstract";
118         if (exists $options{cgi_proxy}) {
119             $url = $options{cgi_proxy}.$url;
120         }
121         $url = "http://${url}";
122         eval {
123             $m->get($url) or die "Unable to get $url";
124             my $orig_mech = $m->clone();
125             use Data::Dumper;
126             my @possible_links = $m->find_all_links(text_regex => qr/to\s*read|free\s*PMC|full\s*text/i);
127             # try to find the other links
128             push @possible_links,
129             grep {my $attr = $_->attrs(); exists $attr->{title} and $attr->{title} =~ qr/(?:Full\s*Text|PMC)/i}
130                     $m->links();
131             print STDERR map {"article link: ".$_->url_abs()."\n"} @possible_links if $DEBUG;
132             die "No links" unless @possible_links;
133             do {
134             $m = $orig_mech;
135             eval {
136                 print "trying ".$possible_links[0]->url()."\n" if $DEBUG;
137                 $m->get($possible_links[0]->url()) or
138                     die "Unable to follow link";
139                 # try to find epub link
140                 my $epub_m = find_epub_link($m) or
141                     die "Unable to find epub";
142                 my $fh = IO::File->new($pmid.'.epub','w') or
143                     die "Unable to open ${pmid}.epub for writing: $!";
144                 print {$fh} $epub_m->content or
145                     die "Unable to write to ${pmid}.epub: $!";
146                 close $fh or
147                     die "Unable to close ${pmid}.epub filehandle: $!";
148                 };
149                 shift @possible_links;
150     } while ($@ and @possible_links);
151             if ($@) {
152             die "$@";
153             }
154         };
155         if ($@) {
156             print STDERR "$@\n" if $DEBUG;
157             if ($options{use_links}) {
158                 system('links2',
159                        # links2 doesn't like the leading http:// of proxies for some reason
160                        exists $options{http_proxy}?('-http-proxy',(map {s{http://}{}; $_} $options{http_proxy})):(),
161                        $url
162                       ) == 0 or next;
163                 rename('temp.epub',"${pmid}.epub") if -e 'temp.epub';
164             }
165         }
166     }
167 }
168
169
170 sub find_epub_link {
171     my ($mech,$guess,$call) = @_;
172     $guess = 1 unless defined $guess;
173     $call = 0 unless defined $call;
174     # avoid looping endlessly
175     return undef if $call > 5;
176     my $m = $mech->clone();
177     if ($m->content =~ /select\s*a\s*website\s*below/i) {
178         print STDERR $m->uri() if $DEBUG;
179         print STDERR $m->content() if $DEBUG;
180         my @inputs = $m->find_all_inputs(type => 'hidden',
181                                          name => q(urls['sd']),
182                                         );
183         return unless @inputs;
184         $m->get($inputs[0]->value);
185         print STDERR $m->content() if $DEBUG;
186     }
187     my @possible_links;
188     # this is to prioritize the real link at science direct
189     push @possible_links, grep {my $temp = $_->attrs();
190                                 exists $temp->{title} and $temp->{title} =~ qr/Download\s*epub/i}
191         $m->find_all_links(text_regex => qr/epub/i);
192     push @possible_links, grep { $_->url_abs() !~ /_orig(?:in)?=article/} $m->find_all_links(text_regex => qr/epub/i);
193     push @possible_links, $m->find_all_links(tag_regex => qr/meta/,
194                                              url_regex  => qr/(reprint|\.epub)/i,
195                                             );
196     push @possible_links, $m->find_all_links(text_regex => qr/epub/i);
197     push @possible_links,$m->find_all_links(text_regex => qr/manual\s*download/i);
198     print STDERR $m->uri() if $DEBUG;
199     print STDERR $m->content() if $DEBUG;
200     print STDERR map{"possible epub link: ".$_->url_abs().qq(\n)} @possible_links if $DEBUG;
201     if (not @possible_links and $DEBUG) {
202         print STDERR $m->content();
203     }
204     my $best_guess = $possible_links[0] if @possible_links;
205     for my $link (@possible_links) {
206         print STDERR "trying ".$link->url_abs()."..." if $DEBUG;
207         my $r = $m->get($link->url_abs());
208         if ($r->header('Content-Type') =~ /epub|zip/) {
209             print STDERR "success\n" if $DEBUG;
210             return $m;
211         }
212         print STDERR "failure; content type ".$r->header('Content-Type')."\n" if $DEBUG;
213         print STDERR $m->content() if $DEBUG;
214     }
215     my @sub_frames = $m->find_all_links(tag_regex=>qr/^i?frame$/);
216     for my $frame (@sub_frames) {
217         my $r = $m->get($frame->url_abs());
218         if ($r->header('Content-Type') =~ /epub|zip/) {
219             return $m;
220         }
221         my $epub_m = find_epub_link($m,
222                                   0,
223                                   $call+1,
224                                  );
225         if (defined $epub_m) {
226             return $epub_m;
227         }
228     }
229 #     if ($guess and defined $best_guess) {
230 #       $m->get($best_guess->url_abs());
231 #       return $m;
232 #     }
233     return undef;
234 }
235
236
237 __END__