ggscrapeView |
---|
| 1 … | +#!/bin/bash |
| 2 … | +# vi: ts=4 sw=4 et |
| 3 … | +# |
| 4 … | +# ggscrape(1) |
| 5 … | +# Download emails from a Google Groups |
| 6 … | +# |
| 7 … | +# Copyright (c) 2014 Charles Lehner |
| 8 … | +# Released under the terms of the MIT License. |
| 9 … | + |
| 10 … | +VERSION=0.0.1 |
| 11 … | +BASE_URL='https://groups.google.com/forum/?_escaped_fragment_=' |
| 12 … | + |
| 13 … | +EX_USAGE=64 |
| 14 … | +topic_range=100 |
| 15 … | + |
| 16 … | +opt_verbose= |
| 17 … | +group_id= |
| 18 … | +dest_dir= |
| 19 … | +cookie_str= |
| 20 … | + |
| 21 … | +if [[ -n "$GG_COOKIE" ]]; then |
| 22 … | + cookie_str="$GG_COOKIE" |
| 23 … | +fi |
| 24 … | + |
| 25 … | +debug_print() { |
| 26 … | + if [[ -n $opt_verbose ]]; then |
| 27 … | + echo $@ >&2 |
| 28 … | + fi |
| 29 … | +} |
| 30 … | + |
| 31 … | +req() { |
| 32 … | + debug_print query: "$1" |
| 33 … | + curl -sN -b "$cookie_str" "$BASE_URL$@" |
| 34 … | +} |
| 35 … | + |
| 36 … | +test_permission() { |
| 37 … | + debug_print testing permission |
| 38 … | + req "forum/${group_id}%5B1-1-false%5D" -I | grep -q '200 OK' |
| 39 … | +} |
| 40 … | + |
| 41 … | +get_topics_single() { |
| 42 … | + local start=$1 |
| 43 … | + local end=$2 |
| 44 … | + |
| 45 … | + debug_print "get topics $group_id [$start-$end]" |
| 46 … | + |
| 47 … | + req "forum/${group_id}%5B${start}-${end}-false%5D" | sed -n \ |
| 48 … | + "s/^<i>Showing [^<]* of 0 topics<\/i>$//p; |
| 49 … | + s/<tr>/\0\n/; /lastPostDate/ { |
| 50 … | + s/.*lastPostDate\">\([^<]*\).*$/\1/m; P; D; |
| 51 … | + }; |
| 52 … | + /subject/{ |
| 53 … | + s/.*href=\"[^\"]*\/\([^\"]*\)\"[^>]*>\([^<]*\).*/\1\n\2/; p; |
| 54 … | + }" | sed '/^$/q99; N; N; s/\(.*\)\n\(.*\)\n\(.*\)/\1\t\3\t\2/' |
| 55 … | + # return status 99 if no matches found |
| 56 … | +} |
| 57 … | + |
| 58 … | +unknown_option() { |
| 59 … | + echo "Unknown option $1" >&2 |
| 60 … | + exit $EX_USAGE |
| 61 … | +} |
| 62 … | + |
| 63 … | +get_topics() { |
| 64 … | + local start=$(($1)) |
| 65 … | + local end=$(($2)) |
| 66 … | + local temp_end |
| 67 … | + |
| 68 … | + if [[ -z "$start" ]]; then |
| 69 … | + start=1 |
| 70 … | + fi |
| 71 … | + |
| 72 … | + debug_print "get all topics $group_id [$start-$end]" |
| 73 … | + |
| 74 … | + for ((i = start; i <= end || end == 0; i += topic_range)); do |
| 75 … | + ((temp_end = (end && i+topic_range-1 > end) ? end : i+topic_range-1)) |
| 76 … | + get_topics_single $i $temp_end || break |
| 77 … | + done |
| 78 … | +} |
| 79 … | + |
| 80 … | +# get message ids in a topic |
| 81 … | +get_messages() { |
| 82 … | + local topic_id="$1" |
| 83 … | + req "topic/${group_id}/${topic_id}" | sed -n\ |
| 84 … | + 's/.*<td class="subject"><a href="[^"]*'$topic_id'\/\([^"]*\)".*/\1/p' |
| 85 … | +} |
| 86 … | + |
| 87 … | +download_message() { |
| 88 … | + local topic_id="$1" |
| 89 … | + local msg_id="$2" |
| 90 … | + debug_print download topic $topic_id message $msg_id |
| 91 … | + path="${dest_dir}/${group_id}${topic_id}${msg_id}.eml" |
| 92 … | + if [[ -s "$path" ]]; then |
| 93 … | + echo "file for message ${msg_id} already exists. skipping." |
| 94 … | + else |
| 95 … | + req "${group_id}/${topic_id}/${msg_id}" > "$path" |
| 96 … | + fi |
| 97 … | +} |
| 98 … | + |
| 99 … | +download_messages() { |
| 100 … | + local topic_id="$1" |
| 101 … | + debug_print download topic $topic_id |
| 102 … | + get_messages "$topic_id" | while read msg_id _; do |
| 103 … | + download_message "$topic_id" "$msg_id" |
| 104 … | + done |
| 105 … | +} |
| 106 … | + |
| 107 … | +download_mails() { |
| 108 … | + local start=$1 |
| 109 … | + local end=$2 |
| 110 … | + |
| 111 … | + get_topics "$start" "$end" | while read topic_id topic_title; do |
| 112 … | + download_messages $topic_id |
| 113 … | + done |
| 114 … | +} |
| 115 … | + |
| 116 … | +show_version() { |
| 117 … | + echo ggscrape $VERSION |
| 118 … | +} |
| 119 … | + |
| 120 … | +show_help() { |
| 121 … | + cat << EOF |
| 122 … | +ggscrape. Download emails from a Google Group |
| 123 … | + |
| 124 … | +Usage: |
| 125 … | + ggscrape <group_id> [test] |
| 126 … | + ggscrape <group_id> topics |
| 127 … | + ggscrape <group_id> messages <topic_id> |
| 128 … | + ggscrape <group_id> download <directory> |
| 129 … | + |
| 130 … | +Options: |
| 131 … | + -h, --help Show this screen |
| 132 … | + --version Show version |
| 133 … | + -v, --verbose Show debug info |
| 134 … | + -c, --cookie <cookie> Use the given cookie string |
| 135 … | + -b, --begin <topicnum> Topic number at which to begin downloading |
| 136 … | + -e, --end <topicnum> Topic number at which to stop downloading |
| 137 … | + |
| 138 … | +Environmental variables: |
| 139 … | + |
| 140 … | + GG_COOKIE use as value for --cookie |
| 141 … | + |
| 142 … | +EOF |
| 143 … | +} |
| 144 … | + |
| 145 … | +cmd= |
| 146 … | +topic_id= |
| 147 … | +topic_begin= |
| 148 … | +topic_end= |
| 149 … | + |
| 150 … | +while [[ "$#" -gt 0 ]]; do |
| 151 … | + case "$1" in |
| 152 … | + -h|--help) show_help; exit;; |
| 153 … | + --version) show_version; exit;; |
| 154 … | + -v|--verbose) opt_verbose=1;; |
| 155 … | + -c|--cookie) cookie_str="$2"; shift;; |
| 156 … | + -b|--begin) topic_begin="$2"; shift;; |
| 157 … | + -e|--end) topic_end="$2"; shift;; |
| 158 … | + topics) cmd=topics;; |
| 159 … | + test) cmd=test;; |
| 160 … | + messages) cmd=messages; topic_id="$2"; shift;; |
| 161 … | + download) cmd=download; dest_dir="$2"; shift;; |
| 162 … | + *) if [[ -z "$group_id" ]]; then |
|
| 163 … | + group_id="$1" |
| 164 … | + else |
| 165 … | + unknown_option "$1" |
| 166 … | + fi;; |
| 167 … | + esac |
| 168 … | + shift |
| 169 … | +done |
| 170 … | + |
| 171 … | +if [[ -z "$group_id" ]]; then |
| 172 … | + show_help |
| 173 … | + exit 1 |
| 174 … | +fi |
| 175 … | + |
| 176 … | +case "$cmd" in |
| 177 … | + '') show_help; exit;; |
| 178 … | + test) test_permission;; |
| 179 … | + topics) get_topics "$topic_begin" "$topic_end";; |
| 180 … | + download) download_mails "$topic_begin" "$topic_end";; |
| 181 … | + messages) get_messages "$topic_id";; |
| 182 … | + *) echo "Unknown command $cmd" >&2;; |
| 183 … | +esac |