get_pdf

   1 #! /usr/bin/perl
   2 # get_pdf tries to get pdfs, 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_pdf - try to get a pdf
  18
  19 =head1 SYNOPSIS
  20
  21 get_pdf [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 use Data::Printer;
  65
  66 my %options = (debug           => 0,
  67                help            => 0,
  68                man             => 0,
  69                use_links       => 1,
  70                );
  71
  72 my %REFERENCE_TYPES = (pmid => 'pmid|p');
  73
  74 GetOptions(\%options,
  75            values %REFERENCE_TYPES,
  76            'use_links|use-links!',
  77            'cgi_proxy|cgi-proxy|C=s',
  78            'http_proxy|http-proxy|H=s',
  79            'debug|d+','help|h|?','man|m');
  80
  81 pod2usage() if $options{help};
  82 pod2usage({verbose=>2}) if $options{man};
  83
  84 $DEBUG = $options{debug};
  85
  86
  87
  88 if (not grep {exists $options{$_} and
  89                   defined $options{$_} and
  90                       $options{$_}} keys %REFERENCE_TYPES) {
  91     $options{pmid} = 1;
  92 }
  93 my @USAGE_ERRORS;
  94 if (grep {exists $options{$_}
  95               and defined $options{$_}
  96                   and $options{$_}} keys %REFERENCE_TYPES > 1) {
  97     push @USAGE_ERRORS,"You can only specify exactly one of the ".(map { "--$_"} keys %REFERENCE_TYPES)." options";
  98 }
  99
 100 if (not @ARGV) {
 101     push @USAGE_ERRORS,"You must specify at least one reference";
 102 }
 103
 104 pod2usage(join("\n",@USAGE_ERRORS)) if @USAGE_ERRORS;
 105
 106
 107 if (exists $options{http_proxy}) {
 108     $ENV{http_proxy} = $options{http_proxy};
 109     $ENV{HTTP_PROXY} = $options{http_proxy};
 110     $ENV{CGI_HTTP_PROXY} = $options{http_proxy};
 111 }
 112
 113 if ($options{pmid}) {
 114     my $m = WWW::Mechanize->new(agent => 'Mozilla',cookie_jar => {});
 115     for my $pmid (@ARGV) {
 116         $pmid =~ s/\D//g;
 117         next unless length $pmid;
 118         my $url = "www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=${pmid}&dopt=Abstract";
 119         if (exists $options{cgi_proxy}) {
 120             $url = $options{cgi_proxy}.$url;
 121         }
 122         $url = "http://${url}";
 123         eval {
 124             $m->get($url) or die "Unable to get $url";
 125             my $orig_mech = $m->clone();
 126             use Data::Dumper;
 127             my @possible_links = $m->find_all_links(text_regex => qr/to\s*read/i);
 128             # try to find the other links
 129             push @possible_links,
 130                 grep {my $attr = $_->attrs(); exists $attr->{title} and $attr->{title} =~ qr/(?:Full\s*Text|PMC)/i}
 131                     $m->links();
 132             print STDERR map {"article link: ".$_->url_abs()."\n"} @possible_links if $DEBUG;
 133             die "No links" unless @possible_links;
 134             do {
 135                 $m = $orig_mech;
 136                 eval {
 137                     print "trying ".$possible_links[0]->url()."\n" if $DEBUG;
 138                     $m->get($possible_links[0]->url()) or
 139                         die "Unable to follow link";
 140                     # try to find pdf link
 141                     my $pdf_m = find_pdf_link($m) or
 142                         die "Unable to find pdf";
 143                     my $fh = IO::File->new($pmid.'.pdf','w') or
 144                         die "Unable to open ${pmid}.pdf for writing: $!";
 145                     print {$fh} $pdf_m->content or
 146                         die "Unable to write to ${pmid}.pdf: $!";
 147                     close $fh or
 148                         die "Unable to close ${pmid}.pdf filehandle: $!";
 149                 };
 150                 shift @possible_links;
 151             } while ($@ and @possible_links);
 152             if ($@) {
 153                 die "$@";
 154             }
 155         };
 156         if ($@) {
 157             print STDERR "$@\n" if $DEBUG;
 158             if ($options{use_links}) {
 159                 system('links2',
 160                        # links2 doesn't like the leading http:// of proxies for some reason
 161                        exists $options{http_proxy}?('-http-proxy',(map {s{http://}{}; $_} $options{http_proxy})):(),
 162                        $url
 163                       ) == 0 or next;
 164                 rename('temp.pdf',"${pmid}.pdf") if -e 'temp.pdf';
 165             }
 166         }
 167     }
 168 }
 169
 170
 171 sub check_subframes {
 172     my ($m,$call) = @_;
 173     my @sub_frames = $m->find_all_links(tag_regex=>qr/^i?frame$/);
 174     print STDERR "subframes: \n" if $DEBUG;
 175     p @sub_frames if $DEBUG;
 176     for my $frame (@sub_frames) {
 177         my $r = $m->get($frame->url_abs());
 178         print STDERR "trying: ".$frame->url_abs()."\n" if $DEBUG;
 179         if ($r->header('Content-Type') =~ /pdf/) {
 180             return $m;
 181         }
 182         print STDERR "failed: ".$r->header('Content-Type')."\n" if $DEBUG;
 183     }
 184     for my $frame (@sub_frames) {
 185         my $r = $m->get($frame->url_abs());
 186         my $pdf_m = find_pdf_link($m,
 187                                   0,
 188                                   $call+1,
 189                                  );
 190         if (defined $pdf_m) {
 191             return $pdf_m;
 192         }
 193     }
 194     return undef;
 195 }
 196
 197
 198 sub find_pdf_link {
 199     my ($mech,$guess,$call) = @_;
 200     $guess = 1 unless defined $guess;
 201     $call = 0 unless defined $call;
 202     # avoid looping endlessly
 203     return undef if $call > 5;
 204     my $m = $mech->clone();
 205     if ($m->content =~ /select\s*a\s*website\s*below/i) {
 206         print STDERR $m->uri() if $DEBUG;
 207         print STDERR $m->content() if $DEBUG > 1;
 208         my @inputs = $m->find_all_inputs(type => 'hidden',
 209                                          name => q(urls['sd']),
 210                                         );
 211         return unless @inputs;
 212         $m->get($inputs[0]->value);
 213         print STDERR $m->content() if $DEBUG > 1;
 214     }
 215     my @possible_links;
 216     # this brings forward the actual link at Science
 217     push @possible_links,
 218         grep {my $temp = $_->attrs();
 219               exists $temp->{rel} and $temp->{rel} =~ qr/view-/i and
 220                   defined $_->text() and $_->text() =~ qr/Full\s*Text.*PDF/i
 221               }
 222         $m->find_all_links(text_regex => qr/PDF/i);
 223     # this is to prioritize the real link at science direct
 224     push @possible_links,
 225         grep {my $temp = $_->attrs();
 226               use Data::Dumper;
 227               print STDERR Dumper($temp);
 228               (exists $temp->{title} and $temp->{title} =~ qr/(Download|Full\s*Text)\s*PDF/i) or
 229                   (defined $_->text() and $_->text() =~ qr/(Full\s*Text|Download).*PDF/i)
 230               }
 231         $m->find_all_links(text_regex => qr/PDF/i);
 232     my $possible_links = 0;
 233     if ($DEBUG) {
 234         $possible_links++;
 235         print STDERR "possible links[$possible_links]:\n";
 236         p @possible_links;
 237     }
 238     push @possible_links, grep { $_->url_abs() !~ /_orig(?:in)?=article/} $m->find_all_links(text_regex => qr/PDF/i);
 239     if ($DEBUG) {
 240         $possible_links++;
 241         print STDERR "possible links[$possible_links]:\n";
 242         p @possible_links;
 243     }
 244     push @possible_links, $m->find_all_links(tag_regex => qr/meta/,
 245                                              url_regex  => qr/(reprint|\.pdf)/i,
 246                                             );
 247     if ($DEBUG) {
 248         $possible_links++;
 249         print STDERR "possible links[$possible_links]:\n";
 250         p @possible_links;
 251     }
 252     # The masthead grep here is to handle PNAS, which has a link to their masthead in every article.
 253     push @possible_links,
 254         grep {my $temp = $_->attrs(); (not defined $temp->{title}) or $temp->{title} !~ qr/Masthead/i;}
 255         $m->find_all_links(text_regex => qr/pdf/i);
 256     if ($DEBUG) {
 257         $possible_links++;
 258         print STDERR "possible links[$possible_links]:\n";
 259         p @possible_links;
 260     }
 261     push @possible_links,$m->find_all_links(text_regex => qr/manual\s*download/i);
 262     if ($DEBUG) {
 263         $possible_links++;
 264         print STDERR "possible links[$possible_links]:\n";
 265         p @possible_links;
 266     }
 267     print STDERR $m->uri() if $DEBUG;
 268     print STDERR $m->content() if $DEBUG > 1;
 269     print STDERR map{"possible pdf link: ".$_->url_abs().qq(\n)} @possible_links if $DEBUG;
 270     if (not @possible_links and $DEBUG) {
 271         print STDERR $m->content();
 272     }
 273     my $best_guess = $possible_links[0] if @possible_links;
 274     for my $link (@possible_links) {
 275         print STDERR "trying ".$link->url_abs()."..." if $DEBUG;
 276         my $r = $m->get($link->url_abs());
 277         my $content = $m->content();
 278         if ($r->header('Content-Type') =~ /pdf/) {
 279             print STDERR "success\n" if $DEBUG;
 280             return $m;
 281         }
 282         my $ret = check_subframes($m,$call);
 283         return $ret if defined $ret;
 284         print STDERR "failure; content type ".$r->header('Content-Type')."\n" if $DEBUG;
 285         print STDERR $content if $DEBUG;
 286     }
 287     my $ret = check_subframes($m,$call);
 288     return $ret if defined $ret;
 289 #     if ($guess and defined $best_guess) {
 290 #       $m->get($best_guess->url_abs());
 291 #       return $m;
 292 #     }
 293     return undef;
 294 }
 295
 296
 297 __END__