robot.tcl

   1 #!/usr/bin/tclsh
   2 # $Id: robot.tcl,v 1.25 2001/11/07 11:50:07 adam Exp $
   3 #
   4 proc RobotFileNext1 {area lead} {
   5     # puts "RobotFileNext1 area=$area lead=$lead"
   6     if {[catch {set ns [glob ${area}/*]}]} {
   7         return {}
   8     }
   9     foreach n $ns {
  10         if {[file isfile $n]} {
  11             set off [string last / $n]
  12             incr off 2
  13             return $lead/[string range $n $off end]
  14         }
  15     }
  16     foreach n $ns {
  17         if {[file isdirectory $n]} {
  18             set off [string last / $n]
  19             incr off 2
  20             set sb [RobotFileNext1 $n $lead/[string range $n $off end]]
  21             if {[string length $sb]} {
  22                 return $sb
  23             }
  24         }
  25     }
  26     return {}
  27 }
  28
  29 proc RobotWriteRecord {outf fromurl distance} {
  30     puts $outf "<zmbot>"
  31     puts $outf "<distance>"
  32     puts $outf $distance
  33     puts $outf "</distance>"
  34     puts $outf "<fromurl>"
  35     puts $outf $fromurl
  36     puts $outf "</fromurl>"
  37     puts $outf "</zmbot>"
  38 }
  39
  40 proc RobotReadRecord {inf fromurlx distancex} {
  41     upvar $fromurlx fromurl
  42     upvar $distancex distance
  43     gets $inf
  44     gets $inf
  45     set distance [string trim [gets $inf]]
  46     # puts "got distance = $distance"
  47     gets $inf
  48     gets $inf
  49     set fromurl [string trim [gets $inf]]
  50 }
  51
  52 proc RobotFileNext {area} {
  53     global robotSeq global idletime ns
  54
  55     # puts "RobotFileNext robotSeq=$robotSeq"
  56     if {$robotSeq < 0} {
  57         return {}
  58     }
  59     if {$robotSeq == 0} {
  60         if {[catch {set ns [glob ${area}/*]}]} {
  61             return {}
  62         }
  63     }
  64     set off [string length $area]
  65     incr off
  66     set n [lindex $ns $robotSeq]
  67     if {![string length $n]} {
  68         set robotSeq -1
  69         flush stdout
  70         puts "Round robin"
  71         return wait
  72     }
  73     incr robotSeq
  74     if {[file isfile $n/frobots.txt]} {
  75         puts "ok returning http://[string range $n $off end]/robots.txt"
  76         return http://[string range $n $off end]/robots.txt
  77     } elseif {[file isdirectory $n]} {
  78         set sb [RobotFileNext1 $n http://[string range $n $off end]]
  79         if {[string length $sb]} {
  80             return $sb
  81         }
  82     }
  83     puts "no more work at end of RobotFileNext n=$n"
  84     puts "ns=$ns"
  85     return {}
  86 }
  87
  88
  89 proc RobotFileExist {area host path} {
  90     # puts "RobotFileExist begin area=$area host=$host path=$path"
  91     set lpath [split $path /]
  92     set l [llength $lpath]
  93     incr l -1
  94     set t [lindex $lpath $l]
  95     incr l -1
  96     set npath $area/$host[join [lrange $lpath 0 $l] /d]/f$t
  97     # puts "RobotFileExist end npath=$npath"
  98     return [file exists $npath]
  99 }
 100
 101 proc RobotFileUnlink {area host path} {
 102     # puts "RobotFileUnlink begin"
 103     # puts "area=$area host=$host path=$path"
 104     set lpath [split $path /]
 105     set l [llength $lpath]
 106     incr l -1
 107     set t [lindex $lpath $l]
 108     incr l -1
 109     set npath $area/$host[join [lrange $lpath 0 $l] /d]/f$t
 110     # puts "npath=$npath"
 111     set comp [split $npath /]
 112     set l [llength $comp]
 113     incr l -1
 114     if {[catch {exec rm [join $comp /]}]} return
 115     incr l -1
 116     for {set i $l} {$i > 0} {incr i -1} {
 117         set path [join [lrange $comp 0 $i] /]
 118         if {![catch {glob $path/*}]} return
 119         exec rmdir ./$path
 120     }
 121     # puts "RobotFileUnlink end"
 122 }
 123
 124 proc RobotFileClose {out} {
 125     if [string compare $out stdout] {
 126         close $out
 127     }
 128 }
 129
 130 proc RobotFileOpen {area host path {mode w}} {
 131     set orgPwd [pwd]
 132     global workdir
 133
 134     if {![info exists workdir]} {
 135         return stdout
 136     }
 137     #puts "RobotFileOpen orgPwd=$orgPwd area=$area host=$host path=$path mode=$mode"
 138     if {[string compare $orgPwd $workdir]} {
 139         puts "ooops. RobotFileOpen failed"
 140         puts "workdir = $workdir"
 141         puts "pwd = $orgPwd"
 142         exit 1
 143     }
 144     set comp [split $area/$host$path /]
 145     set len [llength $comp]
 146     incr len -1
 147     for {set i 0} {$i < $len} {incr i} {
 148         if {$i > 1} {
 149             set d "d[lindex $comp $i]"
 150         } else {
 151             set d [lindex $comp $i]
 152         }
 153         if {[catch {cd ./$d}]} {
 154             exec mkdir $d
 155             cd ./$d
 156             if {![string compare $area unvisited] && $i == 1 && $mode == "w"} {
 157                 set out [open frobots.txt w]
 158                 puts "creating robots.txt in $d"
 159                 close $out
 160             }
 161         }
 162     }
 163     set d [lindex $comp $len]
 164     if {[string length $d]} {
 165         if {[file isdirectory $d]} {
 166             set out [open $d/f $mode]
 167         } else {
 168             set out [open f$d $mode]
 169         }
 170     } else {
 171         set out [open f $mode]
 172     }
 173     cd $orgPwd
 174     return $out
 175 }
 176
 177 proc RobotRR {} {
 178     global robotSeq robotsRunning
 179
 180     incr robotsRunning -1
 181     while {$robotsRunning} {
 182         vwait robotsRunning
 183     }
 184     set robotSeq 0
 185     RobotStart
 186 }
 187
 188 proc RobotRestart {url sock} {
 189     global URL robotsRunning
 190
 191     close $sock
 192     after cancel $URL($sock,cancel)
 193
 194     foreach v [array names URL $url,*] {
 195         unset URL($v)
 196     }
 197
 198     incr robotsRunning -1
 199     RobotStart
 200 }
 201
 202 proc RobotStart {} {
 203     global URL
 204     global robotsRunning robotsMax idletime
 205
 206     # puts "RobotStart"
 207     while {1} {
 208         set url [RobotFileNext unvisited]
 209         if {![string length $url]} {
 210             return
 211         }
 212         incr robotsRunning
 213         if {[string compare $url wait] == 0} {
 214             after $idletime RobotRR
 215             return
 216         }
 217         set r [RobotGetUrl $url {}]
 218         if {!$r} {
 219             if {$robotsRunning >= $robotsMax} return
 220         } else {
 221             incr robotsRunning -1
 222             if {![RobotFileExist bad $URL($url,hostport) $URL($url,path)]} {
 223                 set outf [RobotFileOpen bad $URL($url,hostport) $URL($url,path)]
 224                 RobotFileClose $outf
 225             }
 226             RobotFileUnlink unvisited $URL($url,hostport) $URL($url,path)
 227         }
 228     }
 229 }
 230
 231 proc headSave {url out} {
 232     global URL
 233
 234     if {[info exists URL($url,head,last-modified)]} {
 235         puts $out "<lastmodified>$URL($url,head,last-modified)</lastmodified>"
 236     }
 237     puts $out {<si>}
 238     if {[info exists URL($url,head,date)]} {
 239         puts $out " <date>$URL($url,head,date)</date>"
 240     }
 241     if {[info exists URL($url,head,content-length)]} {
 242         puts $out " <by>$URL($url,head,content-length)</by>"
 243     }
 244     if {[info exists URL($url,head,server)]} {
 245         puts $out " <format>$URL($url,head,server)</format>"
 246     }
 247     puts $out {</si>}
 248     puts $out {<publisher>}
 249     puts $out " <identifier>$url</identifier>"
 250     if {[info exists URL($url,head,content-type)]} {
 251         puts $out " <type>$URL($url,head,content-type)</type>"
 252     }
 253     puts $out {</publisher>}
 254 }
 255
 256 proc RobotHref {url hrefx hostx pathx} {
 257     global URL domains debuglevel
 258     upvar $hrefx href
 259     upvar $hostx host
 260     upvar $pathx path
 261
 262     if {$debuglevel > 1} {
 263         puts "Ref input url = $url href=$href"
 264     }
 265
 266     if {[string first { } $href] >= 0} {
 267         return 0
 268     }
 269     if {[string length $href] > 256} {
 270         return 0
 271     }
 272     if {[string first {?} $href] >= 0} {
 273         return 0
 274     }
 275     if {[string first {?} $url] >= 0 && [string first {?} $href] >= 0} {
 276         return 0
 277     }
 278     # get method (if any)
 279     if {![regexp {^([^/:]+):(.*)} $href x method hpath]} {
 280         set hpath $href
 281         set method http
 282     } else {
 283         if {[string compare $method http]} {
 284             return 0
 285         }
 286     }
 287     # get host (if any)
 288     if {[regexp {^//([^/]+)([^\#]*)} $hpath x host surl]} {
 289         if {![string length $surl]} {
 290             set surl /
 291         }
 292         if {[info exist domains]} {
 293             set ok 0
 294             foreach domain $domains {
 295                 if {[string match $domain $host]} {
 296                     set ok 1
 297                     break
 298                  }
 299             }
 300             if {!$ok} {
 301                 return 0
 302             }
 303         }
 304     } else {
 305         regexp {^([^\#]*)} $hpath x surl
 306         set host $URL($url,hostport)
 307     }
 308     if {![string length $surl]} {
 309         return 0
 310     }
 311     if {[string first / $surl]} {
 312         # relative path
 313         regexp {^([^\#?]*)} $URL($url,path) x dpart
 314         set l [string last / $dpart]
 315         if {[expr $l >= 0]} {
 316             set surl [string range $dpart 0 $l]$surl
 317         } else {
 318             set surl $dpart/$surl
 319         }
 320     }
 321     set surllist [split $surl /]
 322     catch {unset path}
 323     set pathl 0
 324     foreach c $surllist {
 325         switch -- $c {
 326             .. {
 327                 if {$pathl > 0} {
 328                     incr pathl -2
 329                     set path [lrange $path 0 $pathl]
 330                     incr pathl
 331                 }
 332             }
 333             . {
 334
 335             }
 336             default {
 337                 incr pathl
 338                 lappend path $c
 339             }
 340         }
 341     }
 342     if {$pathl} {
 343         set path [join $path /]
 344     } else {
 345         set path ""
 346     }
 347     regsub -all {~} $path {%7E} path
 348     set href "$method://$host$path"
 349
 350     if {$debuglevel > 1} {
 351         puts "Ref result = $href"
 352     }
 353     return [checkrule url $href]
 354 }
 355
 356 proc RobotError {url code} {
 357     global URL
 358
 359     puts "Bad URL $url (code $code)"
 360     set fromurl {}
 361     set distance -1
 362     if {[RobotFileExist unvisited $URL($url,hostport) $URL($url,path)]} {
 363         set inf [RobotFileOpen unvisited $URL($url,hostport) $URL($url,path) r]
 364         RobotReadRecord $inf fromurl distance
 365         RobotFileClose $inf
 366     }
 367     RobotFileUnlink unvisited $URL($url,hostport) $URL($url,path)
 368     if {![RobotFileExist bad $URL($url,hostport) $URL($url,path)]} {
 369         set outf [RobotFileOpen bad $URL($url,hostport) $URL($url,path)]
 370         RobotWriteRecord $outf $fromurl $distance
 371         RobotFileClose $outf
 372     }
 373 }
 374
 375 proc RobotRedirect {url tourl code} {
 376     global URL
 377
 378     puts "Redirecting from $url to $tourl"
 379
 380     set distance {}
 381     set fromurl {}
 382     if {[RobotFileExist unvisited $URL($url,hostport) $URL($url,path)]} {
 383         set inf [RobotFileOpen unvisited $URL($url,hostport) $URL($url,path) r]
 384         RobotReadRecord $inf fromurl distance
 385         RobotFileClose $inf
 386     }
 387     if {![RobotFileExist bad $URL($url,hostport) $URL($url,path)]} {
 388         set outf [RobotFileOpen bad $URL($url,hostport) $URL($url,path)]
 389         RobotWriteRecord $outf $fromurl $distance
 390         RobotFileClose $outf
 391     }
 392     if {[RobotHref $url tourl host path]} {
 393         if {![RobotFileExist visited $host $path]} {
 394             if {![RobotFileExist unvisited $host $path]} {
 395                 set outf [RobotFileOpen unvisited $host $path]
 396                 RobotWriteRecord $outf $fromurl $distance
 397                 RobotFileClose $outf
 398             }
 399         } else {
 400             set olddistance {}
 401             set inf [RobotFileOpen visited $host $path r]
 402             RobotReadRecord $inf oldurl olddistance
 403             RobotFileClose $inf
 404             if {[string length $olddistance] == 0} {
 405                 set olddistance 1000
 406             }
 407             if {[string length $distance] == 0} {
 408                 set distance 1000
 409             }
 410             puts "distance=$distance olddistance=$olddistance"
 411             if {[expr $distance < $olddistance]} {
 412                 set outf [RobotFileOpen unvisited $host $path]
 413                 RobotWriteRecord $outf $tourl $distance
 414                 RobotFileClose $outf
 415             }
 416         }
 417     }
 418     if {[catch {RobotFileUnlink unvisited $URL($url,hostport) $URL($url,path)}]} {
 419         puts "unlink failed"
 420         exit 1
 421     }
 422 }
 423
 424 proc RobotTextHtml {url out} {
 425     global URL maxdistance
 426
 427     set distance 0
 428     if {$maxdistance < 1000 && [info exists URL($url,dist)]} {
 429         set distance [expr $URL($url,dist) + 1]
 430     }
 431     htmlSwitch $URL($url,buf) \
 432         title {
 433             puts $out "<title>$body</title>"
 434         } -nonest meta {
 435             puts -nonewline $out "<meta"
 436             foreach a [array names parm] {
 437                 puts -nonewline $out " $a"
 438                 puts -nonewline $out {="}
 439                 puts -nonewline $out $parm($a)
 440                 puts -nonewline $out {"}
 441             }
 442             puts $out {></meta>}
 443         } body {
 444             regsub -all {<!--[^-]*->} $body { } abody
 445             regsub -all -nocase {<script[^<]*</script>} $abody {} bbody
 446             regsub -all {<[^\>]+>} $bbody {} nbody
 447             puts $out "<documentcontent>"
 448             puts $out $nbody
 449             puts $out "</documentcontent>"
 450         } -nonest a {
 451             if {![info exists parm(href)]} {
 452                 puts "no href"
 453                 continue
 454             }
 455             if {[expr $distance <= $maxdistance]} {
 456                 set href [string trim $parm(href)]
 457                 if {![RobotHref $url href host path]} continue
 458
 459                 puts $out "<cr>"
 460                 puts $out "<identifier>$href</identifier>"
 461                 puts $out "<description>$body</description>"
 462                 puts $out "</cr>"
 463
 464                 if {![RobotFileExist visited $host $path]} {
 465                     set olddistance 1000
 466                     if {![RobotFileExist bad $host $path]} {
 467                         if {[RobotFileExist unvisited $host $path]} {
 468                             set inf [RobotFileOpen unvisited $host $path r]
 469                             RobotReadRecord $inf oldurl olddistance
 470                             RobotFileClose $inf
 471                         }
 472                     } else {
 473                         set olddistance 0
 474                     }
 475                     if {[string length $olddistance] == 0} {
 476                         set olddistance 1000
 477                     }
 478                     if {[expr $distance < $olddistance]} {
 479                         set outf [RobotFileOpen unvisited $host $path]
 480                         RobotWriteRecord $outf $url $distance
 481                         RobotFileClose $outf
 482                     }
 483                 } elseif {[string compare $href $url]} {
 484                     set inf [RobotFileOpen visited $host $path r]
 485                     RobotReadRecord $inf xurl olddistance
 486                     close $inf
 487                     if {[string length $olddistance] == 0} {
 488                         set olddistance 1000
 489                     }
 490                     if {[expr $distance < $olddistance]} {
 491                         puts "OK remarking url=$url href=$href"
 492                         puts "olddistance = $olddistance"
 493                         puts "newdistance = $distance"
 494                         set outf [RobotFileOpen unvisited $host $path]
 495                         RobotWriteRecord $outf $url $distance
 496                         RobotFileClose $outf
 497                     }
 498                 }
 499             }
 500         } -nonest area {
 501             if {![info exists parm(href)]} {
 502                 puts "no href"
 503                 continue
 504             }
 505             if {[expr $distance <= $maxdistance]} {
 506                 set href [string trim $parm(href)]
 507                 if {![RobotHref $url href host path]} continue
 508
 509                 puts $out "<cr>"
 510                 puts $out "<identifier>$href</identifier>"
 511                 puts $out "<description></description>"
 512                 puts $out "</cr>"
 513
 514                 if {![RobotFileExist visited $host $path]} {
 515                     set olddistance 1000
 516                     if {![RobotFileExist bad $host $path]} {
 517                         if {[RobotFileExist unvisited $host $path]} {
 518                             set inf [RobotFileOpen unvisited $host $path r]
 519                             RobotReadRecord $inf oldurl olddistance
 520                             RobotFileClose $inf
 521                         }
 522                     } else {
 523                         set olddistance 0
 524                     }
 525                     if {[string length $olddistance] == 0} {
 526                         set olddistance 1000
 527                     }
 528                     if {[expr $distance < $olddistance]} {
 529                         set outf [RobotFileOpen unvisited $host $path]
 530                         RobotWriteRecord $outf $url $distance
 531                         RobotFileClose $outf
 532                     }
 533                 } elseif {[string compare $href $url]} {
 534                     set inf [RobotFileOpen visited $host $path r]
 535                     RobotReadRecord $inf xurl olddistance
 536                     close $inf
 537                     if {[string length $olddistance] == 0} {
 538                         set olddistance 1000
 539                     }
 540                     if {[expr $distance < $olddistance]} {
 541                         puts "OK remarking url=$url href=$href"
 542                         puts "olddistance = $olddistance"
 543                         puts "newdistance = $distance"
 544                         set outf [RobotFileOpen unvisited $host $path]
 545                         RobotWriteRecord $outf $url $distance
 546                         RobotFileClose $outf
 547                     }
 548                 }
 549             }
 550         }
 551 }
 552
 553 proc RobotsTxt {url} {
 554     global agent URL
 555
 556     RobotsTxt0 URL(URL($url,hostport),robots) $URL($url,buf)
 557 }
 558
 559 proc RobotsTxt0 {v buf} {
 560     global URL agent
 561     set section 0
 562     foreach l [split $buf \n] {
 563         if {[regexp {([-A-Za-z]+):[ ]*([^\# ]+)} $l match cmd arg]} {
 564             puts "cmd=$cmd arg=$arg"
 565             switch -- [string tolower $cmd] {
 566                 user-agent {
 567                     if {$section} break
 568                     set pat [string tolower $arg]*
 569                     set section [string match $pat $agent]
 570                 }
 571                 disallow {
 572                     if {$section} {
 573                         puts "rule [list 0 $arg]"
 574                         lappend $v [list 0 $arg]
 575                     }
 576                 }
 577                 allow {
 578                     if {$section} {
 579                         puts "rule [list 1 $arg]"
 580                         lappend $v [list 1 $arg]
 581                     }
 582                 }
 583             }
 584         }
 585     }
 586 }
 587
 588 proc RobotTextPlain {url out} {
 589     global URL
 590
 591     puts $out "<documentcontent>"
 592     regsub -all {<} $URL($url,buf) {\&lt;} content
 593     puts $out $content
 594     puts $out "</documentcontent>"
 595
 596     if {![string compare $URL($url,path) /robots.txt]} {
 597         RobotsTxt $url
 598     }
 599 }
 600
 601 proc RobotWriteMetadata {url out} {
 602     global URL domains
 603
 604     puts $out "<zmbot>"
 605
 606     set distance 1000
 607     if {[RobotFileExist unvisited $URL($url,hostport) $URL($url,path)]} {
 608         set inf [RobotFileOpen unvisited $URL($url,hostport) $URL($url,path) r]
 609         RobotReadRecord $inf fromurl distance
 610         RobotFileClose $inf
 611     }
 612     set URL($url,dist) $distance
 613     puts $out "<distance>"
 614     puts $out "  $distance"
 615     puts $out "</distance>"
 616     headSave $url $out
 617     puts "Parsing $url distance=$distance"
 618     switch $URL($url,head,content-type) {
 619         text/html {
 620             if {[string length $distance]} {
 621                 RobotTextHtml $url $out
 622             }
 623         }
 624         text/plain {
 625             RobotTextPlain $url $out
 626         }
 627         application/pdf {
 628             set pdff [open test.pdf w]
 629             puts -nonewline $pdff $URL($url,buf)
 630             close $pdff
 631         }
 632     }
 633     puts $out "</zmbot>"
 634 }
 635
 636 proc Robot200 {url} {
 637     global URL domains
 638
 639     set out [RobotFileOpen raw $URL($url,hostport) $URL($url,path)]
 640     puts -nonewline $out $URL($url,buf)
 641     RobotFileClose $out
 642
 643     if {![checkrule mime $URL($url,head,content-type)]} {
 644         RobotError $url mimedeny
 645         return
 646     }
 647     set out [RobotFileOpen visited $URL($url,hostport) $URL($url,path)]
 648     RobotWriteMetadata $url $out
 649     RobotFileClose $out
 650
 651     RobotFileUnlink unvisited $URL($url,hostport) $URL($url,path)
 652 }
 653
 654 proc RobotReadContent {url sock binary} {
 655     global URL
 656
 657     set buffer [read $sock 16384]
 658     set readCount [string length $buffer]
 659
 660     if {$readCount <= 0} {
 661         Robot200 $url
 662         RobotRestart $url $sock
 663     } elseif {!$binary && [string first \0 $buffer] >= 0} {
 664         Robot200 $url
 665         RobotRestart $url $sock
 666     } else {
 667         # puts "Got $readCount bytes"
 668         set URL($url,buf) $URL($url,buf)$buffer
 669     }
 670 }
 671
 672 proc RobotReadHeader {url sock} {
 673     global URL debuglevel
 674
 675     if {$debuglevel > 1} {
 676         puts "HTTP head $url"
 677     }
 678     if {[catch {set buffer [read $sock 2148]}]} {
 679         RobotError $url 404
 680         RobotRestart $url $sock
 681     }
 682     set readCount [string length $buffer]
 683
 684     if {$readCount <= 0} {
 685         RobotError $url 404
 686         RobotRestart $url $sock
 687     } else {
 688         # puts "Got $readCount bytes"
 689         set URL($url,buf) $URL($url,buf)$buffer
 690
 691         set n [string first \r\n\r\n $URL($url,buf)]
 692         if {$n > 1} {
 693             set code 0
 694             set version {}
 695             set headbuf [string range $URL($url,buf) 0 $n]
 696             incr n 4
 697             set URL($url,buf) [string range $URL($url,buf) $n end]
 698
 699             regexp {^HTTP/([0-9.]+)[ ]+([0-9]+)} $headbuf x version code
 700             set lines [split $headbuf \n]
 701             foreach line $lines {
 702                 if {[regexp {^([^:]+):[ ]+([^;]*)} $line x name value]} {
 703                     set URL($url,head,[string tolower $name]) [string trim $value]
 704                 }
 705             }
 706             puts "HTTP CODE $code"
 707             set URL($url,state) skip
 708             switch $code {
 709                 301 {
 710                     RobotRedirect $url $URL($url,head,location) 301
 711                     RobotRestart $url $sock
 712                 }
 713                 302 {
 714                     RobotRedirect $url $URL($url,head,location) 302
 715                     RobotRestart $url $sock
 716                 }
 717                 200 {
 718                     if {![info exists URL($url,head,content-type)]} {
 719                         set URL($url,head,content-type) {}
 720                     }
 721                     set binary 0
 722                     switch $URL($url,head,content-type) {
 723                         application/pdf {
 724                             set binary 1
 725                         }
 726                     }
 727                     fileevent $sock readable [list RobotReadContent $url $sock $binary]
 728                 }
 729                 default {
 730                     RobotError $url $code
 731                     RobotRestart $url $sock
 732                 }
 733             }
 734         }
 735     }
 736 }
 737
 738 proc RobotSockCancel {url sock} {
 739
 740     puts "RobotSockCancel sock=$sock url=$url"
 741     RobotError $url 401
 742     RobotRestart $url $sock
 743 }
 744
 745 proc RobotConnect {url sock} {
 746     global URL agent acceptLanguage
 747
 748     fconfigure $sock -translation {lf crlf} -blocking 0
 749     fileevent $sock readable [list RobotReadHeader $url $sock]
 750     puts $sock "GET $URL($url,path) HTTP/1.0"
 751     puts $sock "Host: $URL($url,host)"
 752     puts $sock "User-Agent: $agent"
 753     if {[string length $acceptLanguage]} {
 754         puts $sock "Accept-Language: $acceptLanguage"
 755     }
 756     puts $sock ""
 757     flush $sock
 758     set URL($sock,cancel) [after 30000 [list RobotSockCancel $url $sock]]
 759 }
 760
 761 proc RobotNop {} {
 762
 763 }
 764
 765 proc RobotGetUrl {url phost} {
 766     global URL robotsRunning
 767     flush stdout
 768     puts "Retrieve $robotsRunning url=$url"
 769     if {![regexp {([^:]+)://([^/]+)(.*)} $url x method hostport path]} {
 770         return -1
 771     }
 772     if {![regexp {([^:]+):([0-9]+)} $hostport x host port]} {
 773         set port 80
 774         set host $hostport
 775     }
 776     set URL($url,method) $method
 777     set URL($url,host) $host
 778     set URL($url,hostport) $hostport
 779     set URL($url,path) $path
 780     set URL($url,state) head
 781     set URL($url,buf) {}
 782
 783     if {[string compare $path /robots.txt]} {
 784         set ok 1
 785         if {![info exists URL($hostport,robots)]} {
 786             puts "READING robots.txt for host $hostport"
 787             if {[RobotFileExist visited $hostport /robots.txt]} {
 788                 set inf [RobotFileOpen visited $hostport /robots.txt r]
 789                 set buf [read $inf 32768]
 790                 close $inf
 791             } else {
 792                 set buf "User-agent: *\nAllow: /\n"
 793             }
 794             RobotsTxt0 URL($hostport,robots) $buf
 795         }
 796         if {[info exists URL($hostport,robots)]} {
 797             foreach l $URL($hostport,robots) {
 798                 if {[string first [lindex $l 1] $path] == 0} {
 799                     set ok [lindex $l 0]
 800                     break
 801                 }
 802             }
 803         }
 804         if {!$ok} {
 805             puts "skipped due to robots.txt"
 806             return -1
 807         }
 808     }
 809     if [catch {set sock [socket -async $host $port]}] {
 810         return -1
 811     }
 812     RobotConnect $url $sock
 813
 814     return 0
 815 }
 816
 817 if {![llength [info commands htmlSwitch]]} {
 818     set e [info sharedlibextension]
 819     if {[catch {load ./tclrobot$e}]} {
 820         load tclrobot$e
 821     }
 822 }
 823
 824 set agent "zmbot/0.1"
 825 if {![catch {set os [exec uname -s -r]}]} {
 826     set agent "$agent ($os)"
 827 }
 828
 829 puts "agent: $agent"
 830
 831 proc bgerror {m} {
 832     global errorInfo
 833     puts "BGERROR $m"
 834     puts $errorInfo
 835 }
 836
 837 set robotsRunning 0
 838 set robotSeq 0
 839 set workdir [pwd]
 840 set idletime 60000
 841 set acceptLanguage {}
 842
 843 set i 0
 844 set l [llength $argv]
 845
 846 if {$l < 2} {
 847     puts {tclrobot: usage:}
 848     puts {tclrobot [-j jobs] [-i idle] [-c count] [-d domain] [-r rules] [url ..]}
 849     puts " Example: -c 3 -d '*.dk' http://www.indexdata.dk/"
 850     exit 1
 851 }
 852
 853 # Rules: allow, deny, url
 854 set debuglevel 0
 855
 856 proc checkrule {type this} {
 857     global alrules
 858     global debuglevel
 859
 860     if {$debuglevel > 3} {
 861         puts "CHECKRULE $type $this"
 862     }
 863     if {[info exist alrules]} {
 864         foreach l $alrules {
 865             if {$debuglevel > 3} {
 866                 puts "consider $l"
 867             }
 868             # consider type
 869             if {[lindex $l 1] != $type} continue
 870             # consider mask (! negates)
 871             set masks [lindex $l 2]
 872             set ok 0
 873             foreach mask $masks {
 874                 if {$debuglevel > 4} {
 875                     puts "consider single mask $mask"
 876                 }
 877                 if {[string index $mask 0] == "!"} {
 878                     set mask [string range $mask 1 end]
 879                     if {[string match $mask $this]}  continue
 880                 } else {
 881                     if {![string match $mask $this]} continue
 882                 }
 883                 set ok 1
 884             }
 885             if {$debuglevel > 4} {
 886                 puts "ok = $ok"
 887             }
 888             if {!$ok} continue
 889             # OK, we have a match
 890             if {[lindex $l 0] == "allow"} {
 891                 if {$debuglevel > 3} {
 892                     puts "CHECKRULE MATCH OK"
 893                 }
 894                 return 1
 895             } else {
 896                 if {$debuglevel > 3} {
 897                     puts "CHECKFULE MATCH FAIL"
 898                 }
 899                 return 0
 900             }
 901         }
 902     }
 903     if {$debuglevel > 3} {
 904         puts "CHECKRULE MATCH OK"
 905     }
 906     return 1
 907 }
 908
 909
 910 proc url {href} {
 911     global debuglevel
 912
 913     if {[RobotHref http://www.indexdata.dk/ href host path]} {
 914         if {![RobotFileExist visited $host $path]} {
 915             set outf [RobotFileOpen unvisited $host $path]
 916             RobotWriteRecord $outf href 0
 917             RobotFileClose $outf
 918         }
 919     }
 920 }
 921
 922 proc deny {type stuff} {
 923     global alrules
 924
 925     lappend alrules [list deny $type $stuff]
 926 }
 927
 928 proc allow {type stuff} {
 929     global alrules
 930
 931     lappend alrules [list allow $type $stuff]
 932 }
 933
 934 proc debug {level} {
 935     global debuglevel
 936
 937     set debuglevel $level
 938 }
 939
 940 # Parse options
 941
 942 while  {$i < $l} {
 943     set arg [lindex $argv $i]
 944     switch -glob -- $arg {
 945         -j* {
 946             set robotsMax [string range $arg 2 end]
 947             if {![string length $robotsMax]} {
 948                 set robotsMax [lindex $argv [incr i]]
 949             }
 950         }
 951         -c* {
 952             set maxdistance [string range $arg 2 end]
 953             if {![string length $maxdistance]} {
 954                 set maxdistance [lindex $argv [incr i]]
 955             }
 956         }
 957         -d* {
 958             set dom [string range $arg 2 end]
 959             if {![string length $dom]} {
 960                 set dom [lindex $argv [incr i]]
 961             }
 962             lappend domains $dom
 963         }
 964         -i* {
 965             set idletime [string range $arg 2 end]
 966             if {![string length $idletime]} {
 967                 set idletime [lindex $argv [incr i]]
 968             }
 969         }
 970         -l* {
 971             set acceptLanguage [string range $arg 2 end]
 972             if {![string length $acceptLanguage]} {
 973                 set acceptLanguage [lindex $argv [incr i]]
 974             }
 975         }
 976         -r* {
 977             set rfile [string range $arg 2 end]
 978             if {![string length $rfile]} {
 979                 set rfile [lindex $argv [incr i]]
 980             }
 981             source $rfile
 982         }
 983         default {
 984             set href $arg
 985             if {[RobotHref http://www.indexdata.dk/ href host path]} {
 986                 if {![RobotFileExist visited $host $path]} {
 987                     set outf [RobotFileOpen unvisited $host $path]
 988                     RobotWriteRecord $outf href 0
 989                     RobotFileClose $outf
 990                 }
 991             }
 992         }
 993     }
 994     incr i
 995 }
 996
 997 if {![info exist domains]} {
 998     set domains {*}
 999 }
1000 if {![info exist maxdistance]} {
1001     set maxdistance 50
1002 }
1003 if {![info exist robotsMax]} {
1004     set robotsMax 5
1005 }
1006
1007 puts "domains=$domains"
1008 puts "max distance=$maxdistance"
1009 puts "max jobs=$robotsMax"
1010
1011 RobotStart
1012
1013 while {$robotsRunning} {
1014     vwait robotsRunning
1015 }