ljdump.py

   1 #!/usr/bin/python
   2 #
   3 # ljdump.py - livejournal archiver
   4 # Greg Hewgill <greg@hewgill.com> http://hewgill.com
   5 # Version 1.1
   6 #
   7 # $Id$
   8 #
   9 # This program reads the journal entries from a livejournal (or compatible)
  10 # blog site and archives them in a subdirectory named after the journal name.
  11 #
  12 # The configuration is read from "ljdump.config". A sample configuration is
  13 # provided in "ljdump.config.sample", which should be copied and then edited.
  14 # The configuration settings are:
  15 #
  16 #   server - The XMLRPC server URL. This should only need to be changed
  17 #            if you are dumping a journal that is livejournal-compatible
  18 #            but is not livejournal itself.
  19 #
  20 #   username - The livejournal user name. A subdirectory will be created
  21 #              with this same name to store the journal entries.
  22 #
  23 #   password - The account password. This password is never sent in the
  24 #              clear; the livejournal "challenge" password mechanism is used.
  25 #
  26 # This program may be run as often as needed to bring the backup copy up
  27 # to date. Both new and updated items are downloaded.
  28 #
  29 # LICENSE
  30 #
  31 # This software is provided 'as-is', without any express or implied
  32 # warranty.  In no event will the author be held liable for any damages
  33 # arising from the use of this software.
  34 #
  35 # Permission is granted to anyone to use this software for any purpose,
  36 # including commercial applications, and to alter it and redistribute it
  37 # freely, subject to the following restrictions:
  38 #
  39 # 1. The origin of this software must not be misrepresented; you must not
  40 #    claim that you wrote the original software. If you use this software
  41 #    in a product, an acknowledgment in the product documentation would be
  42 #    appreciated but is not required.
  43 # 2. Altered source versions must be plainly marked as such, and must not be
  44 #    misrepresented as being the original software.
  45 # 3. This notice may not be removed or altered from any source distribution.
  46 #
  47 # Copyright (c) 2005-2006 Greg Hewgill
  48
  49 import codecs, md5, os, pickle, pprint, sys, urllib2, xml.dom.minidom, xmlrpclib
  50 from xml.sax import saxutils
  51
  52 def calcchallenge(challenge, password):
  53     return md5.new(challenge+md5.new(password).hexdigest()).hexdigest()
  54
  55 def flatresponse(response):
  56     r = {}
  57     while True:
  58         name = response.readline()
  59         if len(name) == 0:
  60             break
  61         if name[-1] == '\n':
  62             name = name[:len(name)-1]
  63         value = response.readline()
  64         if value[-1] == '\n':
  65             value = value[:len(value)-1]
  66         r[name] = value
  67     return r
  68
  69 def getljsession(username, password):
  70     r = urllib2.urlopen("http://livejournal.com/interface/flat", "mode=getchallenge")
  71     response = flatresponse(r)
  72     r.close()
  73     r = urllib2.urlopen("http://livejournal.com/interface/flat", "mode=sessiongenerate&user=%s&auth_method=challenge&auth_challenge=%s&auth_response=%s" % (username, response['challenge'], calcchallenge(response['challenge'], password)))
  74     response = flatresponse(r)
  75     r.close()
  76     return response['ljsession']
  77
  78 def dochallenge(params, password):
  79     challenge = server.LJ.XMLRPC.getchallenge()
  80     params.update({
  81         'auth_method': "challenge",
  82         'auth_challenge': challenge['challenge'],
  83         'auth_response': calcchallenge(challenge['challenge'], password)
  84     })
  85     return params
  86
  87 def dumpelement(f, name, e):
  88     f.write("<%s>\n" % name)
  89     for k in e.keys():
  90         if isinstance(e[k], {}.__class__):
  91             dumpelement(f, k, e[k])
  92         else:
  93             s = unicode(str(e[k]), "UTF-8")
  94             f.write("<%s>%s</%s>\n" % (k, saxutils.escape(s), k))
  95     f.write("</%s>\n" % name)
  96
  97 def writedump(fn, event):
  98     f = codecs.open(fn, "w", "UTF-8")
  99     f.write("""<?xml version="1.0"?>\n""")
 100     dumpelement(f, "event", event)
 101     f.close()
 102
 103 def createxml(doc, name, map):
 104     e = doc.createElement(name)
 105     for k in map.keys():
 106         me = doc.createElement(k)
 107         me.appendChild(doc.createTextNode(map[k]))
 108         e.appendChild(me)
 109     return e
 110
 111 def gettext(e):
 112     if len(e) == 0:
 113         return ""
 114     return e[0].firstChild.nodeValue
 115
 116 config = xml.dom.minidom.parse("ljdump.config")
 117 Server = config.documentElement.getElementsByTagName("server")[0].childNodes[0].data
 118 Username = config.documentElement.getElementsByTagName("username")[0].childNodes[0].data
 119 Password = config.documentElement.getElementsByTagName("password")[0].childNodes[0].data
 120
 121 print "Fetching journal entries for: %s" % Username
 122 try:
 123     os.mkdir(Username)
 124     print "Created subdirectory: %s" % Username
 125 except:
 126     pass
 127
 128 ljsession = getljsession(Username, Password)
 129
 130 server = xmlrpclib.ServerProxy(Server)
 131
 132 newentries = 0
 133 newcomments = 0
 134 errors = 0
 135
 136 lastsync = ""
 137 lastmaxid = 0
 138 try:
 139     f = open("%s/.last" % Username, "r")
 140     lastsync = f.readline()
 141     if lastsync[-1] == '\n':
 142         lastsync = lastsync[:len(lastsync)-1]
 143     lastmaxid = f.readline()
 144     if len(lastmaxid) > 0 and lastmaxid[-1] == '\n':
 145         lastmaxid = lastmaxid[:len(lastmaxid)-1]
 146     if lastmaxid == "":
 147         lastmaxid = 0
 148     else:
 149         lastmaxid = int(lastmaxid)
 150     f.close()
 151 except:
 152     pass
 153 origlastsync = lastsync
 154
 155 while True:
 156     r = server.LJ.XMLRPC.syncitems(dochallenge({
 157         'username': Username,
 158         'ver': 1,
 159         'lastsync': lastsync,
 160     }, Password))
 161     #pprint.pprint(r)
 162     if len(r['syncitems']) == 0:
 163         break
 164     for item in r['syncitems']:
 165         if item['item'][0] == 'L':
 166             print "Fetching journal entry %s (%s)" % (item['item'], item['action'])
 167             try:
 168                 e = server.LJ.XMLRPC.getevents(dochallenge({
 169                     'username': Username,
 170                     'ver': 1,
 171                     'selecttype': "one",
 172                     'itemid': item['item'][2:],
 173                 }, Password))
 174                 writedump("%s/%s" % (Username, item['item']), e['events'][0])
 175                 newentries += 1
 176             except xmlrpclib.Fault, x:
 177                 print "Error getting item: %s" % item['item']
 178                 pprint.pprint(x)
 179                 errors += 1
 180         lastsync = item['time']
 181
 182 # The following code doesn't work because the server rejects our repeated calls.
 183 # http://www.livejournal.com/doc/server/ljp.csp.xml-rpc.getevents.html
 184 # contains the statement "You should use the syncitems selecttype in
 185 # conjuntions [sic] with the syncitems protocol mode", but provides
 186 # no other explanation about how these two function calls should
 187 # interact. Therefore we just do the above slow one-at-a-time method.
 188
 189 #while True:
 190 #    r = server.LJ.XMLRPC.getevents(dochallenge({
 191 #        'username': Username,
 192 #        'ver': 1,
 193 #        'selecttype': "syncitems",
 194 #        'lastsync': lastsync,
 195 #    }, Password))
 196 #    pprint.pprint(r)
 197 #    if len(r['events']) == 0:
 198 #        break
 199 #    for item in r['events']:
 200 #        writedump("%s/L-%d" % (Username, item['itemid']), item)
 201 #        newentries += 1
 202 #        lastsync = item['eventtime']
 203
 204 print "Fetching journal comments for: %s" % Username
 205
 206 try:
 207     f = open("%s/comment.meta" % Username)
 208     metacache = pickle.load(f)
 209     f.close()
 210 except:
 211     metacache = {}
 212
 213 try:
 214     f = open("%s/user.map" % Username)
 215     usermap = pickle.load(f)
 216     f.close()
 217 except:
 218     usermap = {}
 219
 220 maxid = lastmaxid
 221 while True:
 222     r = urllib2.urlopen(urllib2.Request("http://livejournal.com/export_comments.bml?get=comment_meta&startid=%d" % (maxid+1), headers = {'Cookie': "ljsession="+ljsession}))
 223     meta = xml.dom.minidom.parse(r)
 224     r.close()
 225     for c in meta.getElementsByTagName("comment"):
 226         id = int(c.getAttribute("id"))
 227         metacache[id] = {
 228             'posterid': c.getAttribute("posterid"),
 229             'state': c.getAttribute("state"),
 230         }
 231         if id > maxid:
 232             maxid = id
 233     for u in meta.getElementsByTagName("usermap"):
 234         usermap[u.getAttribute("id")] = u.getAttribute("user")
 235     if maxid >= int(meta.getElementsByTagName("maxid")[0].firstChild.nodeValue):
 236         break
 237
 238 f = open("%s/comment.meta" % Username, "w")
 239 pickle.dump(metacache, f)
 240 f.close()
 241
 242 f = open("%s/user.map" % Username, "w")
 243 pickle.dump(usermap, f)
 244 f.close()
 245
 246 newmaxid = maxid
 247 maxid = lastmaxid
 248 while True:
 249     r = urllib2.urlopen(urllib2.Request("http://livejournal.com/export_comments.bml?get=comment_body&startid=%d" % (maxid+1), headers = {'Cookie': "ljsession="+ljsession}))
 250     meta = xml.dom.minidom.parse(r)
 251     r.close()
 252     for c in meta.getElementsByTagName("comment"):
 253         id = int(c.getAttribute("id"))
 254         jitemid = c.getAttribute("jitemid")
 255         comment = {
 256             'id': str(id),
 257             'parentid': c.getAttribute("parentid"),
 258             'subject': gettext(c.getElementsByTagName("subject")),
 259             'date': gettext(c.getElementsByTagName("date")),
 260             'body': gettext(c.getElementsByTagName("body")),
 261             'state': metacache[id]['state'],
 262         }
 263         if usermap.has_key(c.getAttribute("posterid")):
 264             comment["user"] = usermap[c.getAttribute("posterid")]
 265         try:
 266             entry = xml.dom.minidom.parse("%s/C-%s" % (Username, jitemid))
 267         except:
 268             entry = xml.dom.minidom.getDOMImplementation().createDocument(None, "comments", None)
 269         found = False
 270         for d in entry.getElementsByTagName("comment"):
 271             if int(d.getElementsByTagName("id")[0].firstChild.nodeValue) == id:
 272                 found = True
 273                 break
 274         if found:
 275             print "Warning: downloaded duplicate comment id %d in jitemid %s" % (id, jitemid)
 276         else:
 277             entry.documentElement.appendChild(createxml(entry, "comment", comment))
 278             f = codecs.open("%s/C-%s" % (Username, jitemid), "w", "UTF-8")
 279             entry.writexml(f)
 280             f.close()
 281             newcomments += 1
 282         if id > maxid:
 283             maxid = id
 284     if maxid >= newmaxid:
 285         break
 286
 287 lastmaxid = maxid
 288
 289 f = open("%s/.last" % Username, "w")
 290 f.write("%s\n" % lastsync)
 291 f.write("%s\n" % lastmaxid)
 292 f.close()
 293
 294 if origlastsync:
 295     print "%d new entries, %d new comments (since %s)" % (newentries, newcomments, origlastsync)
 296 else:
 297     print "%d new entries, %d new comments" % (newentries, newcomments)
 298 if errors > 0:
 299     print "%d errors" % errors