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
  65 my %options = (debug           => 0,
  66                help            => 0,
  67                man             => 0,
  68                );
  69
  70 my %REFERENCE_TYPES = (pmid => 'pmid|p');
  71
  72 GetOptions(\%options,
  73            values %REFERENCE_TYPES,
  74            'cgi_proxy|cgi-proxy|C=s',
  75            'http_proxy|http-proxy|H=s',
  76            'debug|d+','help|h|?','man|m');
  77
  78 pod2usage() if $options{help};
  79 pod2usage({verbose=>2}) if $options{man};
  80
  81 $DEBUG = $options{debug};
  82
  83
  84
  85 if (not grep {exists $options{$_} and
  86                   defined $options{$_} and
  87                       $options{$_}} keys %REFERENCE_TYPES) {
  88     $options{pmid} = 1;
  89 }
  90 my @USAGE_ERRORS;
  91 if (grep {exists $options{$_}
  92               and defined $options{$_}
  93                   and $options{$_}} keys %REFERENCE_TYPES > 1) {
  94     push @USAGE_ERRORS,"You can only specify exactly one of the ".(map { "--$_"} keys %REFERENCE_TYPES)." options";
  95 }
  96
  97 if (not @ARGV) {
  98     push @USAGE_ERRORS,"You must specify at least one reference";
  99 }
 100
 101 pod2usage(join("\n",@USAGE_ERRORS)) if @USAGE_ERRORS;
 102
 103
 104 if (exists $options{http_proxy}) {
 105     $ENV{http_proxy} = $options{http_proxy};
 106     $ENV{HTTP_PROXY} = $options{http_proxy};
 107     $ENV{CGI_HTTP_PROXY} = $options{http_proxy};
 108 }
 109
 110 if ($options{pmid}) {
 111     my $m = WWW::Mechanize->new(agent => 'Mozilla',cookie_jar => {});
 112     for my $pmid (@ARGV) {
 113         $pmid =~ s/\D//g;
 114         next unless length $pmid;
 115         my $url = "www.ncbi.nlm.nih.gov/entrez/query.fcgi?cmd=Retrieve&db=PubMed&list_uids=${pmid}&dopt=Abstract";
 116         if (exists $options{cgi_proxy}) {
 117             $url = $options{cgi_proxy}.$url;
 118         }
 119         $url = "http://${url}";
 120         eval {
 121             $m->get($url) or die "Unable to get $url";
 122             my $orig_mech = $m->clone();
 123             use Data::Dumper;
 124             my @possible_links = $m->find_all_links(text_regex => qr/to\s*read/i);
 125             # try to find the other links
 126             push @possible_links,
 127                 grep {my $attr = $_->attrs(); exists $attr->{title} and $attr->{title} =~ qr/Full\s*Text/i}
 128                     $m->links();
 129             print STDERR map {"article link: ".$_->url_abs()."\n"} @possible_links if $DEBUG;
 130             die "No links" unless @possible_links;
 131             do {
 132                 $m = $orig_mech;
 133                 eval {
 134                     print "trying ".$possible_links[0]->url()."\n" if $DEBUG;
 135                     $m->get($possible_links[0]->url()) or
 136                         die "Unable to follow link";
 137                     # try to find pdf link
 138                     my $pdf_m = find_pdf_link($m) or
 139                         die "Unable to find pdf";
 140                     my $fh = IO::File->new($pmid.'.pdf','w') or
 141                         die "Unable to open ${pmid}.pdf for writing: $!";
 142                     print {$fh} $pdf_m->content or
 143                         die "Unable to write to ${pmid}.pdf: $!";
 144                     close $fh or
 145                         die "Unable to close ${pmid}.pdf filehandle: $!";
 146                 };
 147                 shift @possible_links;
 148             } while ($@ and @possible_links);
 149             if ($@) {
 150                 die "$@";
 151             }
 152         };
 153         if ($@) {
 154             print STDERR "$@\n" if $DEBUG;
 155             system('links2',
 156                    # links2 doesn't like the leading http:// of proxies for some reason
 157                    exists $options{http_proxy}?('-http-proxy',(map {s{http://}{}; $_} $options{http_proxy})):(),
 158                    $url
 159                   ) == 0 or next;
 160             rename('temp.pdf',"${pmid}.pdf") if -e 'temp.pdf';
 161         }
 162     }
 163 }
 164
 165
 166 sub find_pdf_link {
 167     my ($mech,$guess,$call) = @_;
 168     $guess = 1 unless defined $guess;
 169     $call = 0 unless defined $call;
 170     # avoid looping endlessly
 171     return undef if $call > 5;
 172     my $m = $mech->clone();
 173     if ($m->content =~ /select\s*a\s*website\s*below/i) {
 174         print STDERR $m->uri() if $DEBUG;
 175         print STDERR $m->content() if $DEBUG;
 176         my @inputs = $m->find_all_inputs(type => 'hidden',
 177                                          name => q(urls['sd']),
 178                                         );
 179         return unless @inputs;
 180         $m->get($inputs[0]->value);
 181         print STDERR $m->content() if $DEBUG;
 182     }
 183     my @possible_links;
 184     # this is to prioritize the real link at science direct
 185     push @possible_links, grep {my $temp = $_->attrs();
 186                                 exists $temp->{title} and $temp->{title} =~ qr/Download\s*PDF/i}
 187         $m->find_all_links(text_regex => qr/PDF/i);
 188     push @possible_links, grep { $_->url_abs() !~ /_orig(?:in)?=article/} $m->find_all_links(text_regex => qr/PDF/i);
 189     push @possible_links, $m->find_all_links(tag_regex => qr/meta/,
 190                                              url_regex  => qr/(reprint|\.pdf)/i,
 191                                             );
 192     push @possible_links, $m->find_all_links(text_regex => qr/pdf/i);
 193     push @possible_links,$m->find_all_links(text_regex => qr/manual\s*download/i);
 194     print STDERR $m->uri() if $DEBUG;
 195     print STDERR $m->content() if $DEBUG;
 196     print STDERR map{"possible pdf link: ".$_->url_abs().qq(\n)} @possible_links if $DEBUG;
 197     if (not @possible_links and $DEBUG) {
 198         print STDERR $m->content();
 199     }
 200     my $best_guess = $possible_links[0] if @possible_links;
 201     for my $link (@possible_links) {
 202         print STDERR "trying ".$link->url_abs()."..." if $DEBUG;
 203         my $r = $m->get($link->url_abs());
 204         if ($r->header('Content-Type') =~ /pdf/) {
 205             print STDERR "success\n" if $DEBUG;
 206             return $m;
 207         }
 208         print STDERR "failure; content type ".$r->header('Content-Type')."\n" if $DEBUG;
 209         print STDERR $m->content() if $DEBUG;
 210     }
 211     my @sub_frames = $m->find_all_links(tag_regex=>qr/^i?frame$/);
 212     for my $frame (@sub_frames) {
 213         my $r = $m->get($frame->url_abs());
 214         if ($r->header('Content-Type') =~ /pdf/) {
 215             return $m;
 216         }
 217         my $pdf_m = find_pdf_link($m,
 218                                   0,
 219                                   $call+1,
 220                                  );
 221         if (defined $pdf_m) {
 222             return $pdf_m;
 223         }
 224     }
 225 #     if ($guess and defined $best_guess) {
 226 #       $m->get($best_guess->url_abs());
 227 #       return $m;
 228 #     }
 229     return undef;
 230 }
 231
 232
 233 __END__