[BACK]Return to crawler CVS log [TXT] [DIR] Up to [Coherent Logic Development] / pandia

Diff for /pandia/crawler between versions 1.1 and 1.2

version 1.1, 2025/06/25 13:44:37 version 1.2, 2025/06/25 19:38:48
Line 9 Line 9
 # Licensed AGPL-3.0  # Licensed AGPL-3.0
 #  #
 # $Log$  # $Log$
   # Revision 1.2  2025/06/25 19:38:48  snw
   # Add indexer
   #
 # Revision 1.1  2025/06/25 13:44:37  snw  # Revision 1.1  2025/06/25 13:44:37  snw
 # Renaming  # Renaming
 #  #
Line 35  my $skips = 0; Line 38  my $skips = 0;
 my $inserts = 0;  my $inserts = 0;
 my $seed = "";  my $seed = "";
 my $depth = 0;  my $depth = 0;
   my $blacklist_matches = 0;
   my $robots_txt_denies = 0;
   my $invalid_scheme_skips = 0;
   
 sub store_url {  sub store_url {
     my ($url) = @_;      my ($url, $parent) = @_;
   
       if($url ne "" && length($url) <= 255 && substr($url, 0, 6) ne "mailto") {
   
     if($url ne "" && length($url) <= 255) {          my $u = URI->new($url);
         print ".";          my $domain = $u->host;
         my $ins = $dbh->prepare("INSERT INTO crawl_queue (url) VALUES (?)");          my $scheme = $u->scheme;
   
           my $sth = $dbh->prepare("INSERT INTO url_domains (url_domain) VALUES (?)");
           $sth->execute($domain);
           
           my $ins = $dbh->prepare("INSERT INTO crawl_queue (url, parent_url, url_domain, scheme) VALUES (?, ?, ?, ?)");
                           
         $ins->execute($url) or $skips = $skips + 1;          if(not $ins->execute($url, $parent, $domain, $scheme)) {
         $inserts = $inserts + 1;                          $skips = $skips + 1;
         if($depth < $maxdepth) {              print "d";
             $depth = $depth + 1;          }
             crawl_url($url);          else {
               print ".";
               $inserts = $inserts + 1;        
               if($depth < $maxdepth) {
                   $depth = $depth + 1;
                   crawl_url($url);
               }
               else {
                   print "l";
               }
         }          }
     }           }
       else {
           print "x";
       }
 }  }
   
 sub crawl_url {  sub crawl_url {
Line 58  sub crawl_url { Line 83  sub crawl_url {
     my $u = URI->new($url);      my $u = URI->new($url);
   
     if ($u->scheme ne "http" && $u->scheme ne "https") {      if ($u->scheme ne "http" && $u->scheme ne "https") {
           $invalid_scheme_skips = $invalid_scheme_skips + 1;
           print "s";
         return;          return;
     }      }
   
     my $sth = $dbh->prepare("SELECT url_domain FROM blacklist WHERE url_domain=?");      my $sth = $dbh->prepare("SELECT url_domain FROM blacklist WHERE url_domain=?");
     $sth->execute($u->host);      $sth->execute($u->host);
     if($sth->rows > 0) {      if($sth->rows > 0) {
           print "b";
           $blacklist_matches = $blacklist_matches + 1;
         return;          return;
     }      }
           
Line 73  sub crawl_url { Line 102  sub crawl_url {
     $rules->parse($robots_url, $robots_txt) if defined $robots_txt;      $rules->parse($robots_url, $robots_txt) if defined $robots_txt;
   
     if(!$rules->allowed($url)) {      if(!$rules->allowed($url)) {
           print "r";
           $robots_txt_denies = $robots_txt_denies + 1;
         return;          return;
     }      }
           
Line 109  sub crawl_url { Line 140  sub crawl_url {
             $final = $href;              $final = $href;
         }          }
                           
         store_url($final);          store_url($final, $url);
     }      }
   
     $depth = $depth - 1;      $depth = $depth - 1;
Line 161  else { Line 192  else {
 my $total = $inserts + $skips;  my $total = $inserts + $skips;
   
 print "pandia:  $inserts URL(s) enqueued for analysis; $skips skipped [$total URL(s) seen this run]\n";  print "pandia:  $inserts URL(s) enqueued for analysis; $skips skipped [$total URL(s) seen this run]\n";
   print "          - $blacklist_matches blacklist matches\n";
   print "          - $invalid_scheme_skips URLs skipped due to invalid scheme\n";
   print "          - $robots_txt_denies URLs skipped due to robots.txt\n";
       
       
Removed from v.1.1  
changed lines
  Added in v.1.2

FreeBSD-CVSweb <freebsd-cvsweb@FreeBSD.org>