robot.tcl

   1 #!/usr/bin/tclsh
   2 # $Id: robot.tcl,v 1.44 2003/06/11 10:11:39 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             # skip /
  13             incr off
  14             set end [string length $n]
  15             # skip _.tkl
  16             incr end -6
  17             return $lead/[string range $n $off $end]
  18         }
  19     }
  20     foreach n $ns {
  21         if {[file isdirectory $n]} {
  22             set off [string last / $n]
  23             # skip /
  24             incr off
  25             set sb [RobotFileNext1 $n $lead/[string range $n $off end]]
  26             if {[string length $sb]} {
  27                 return $sb
  28             }
  29         }
  30     }
  31     return {}
  32 }
  33
  34 proc RobotWriteRecord {outf fromurl distance} {
  35     puts $outf {<?xml version="1.0" encoding="ISO-8859-1" standalone="yes"?>}
  36     puts $outf "<zmbot>"
  37     puts $outf "<distance>"
  38     puts $outf $distance
  39     puts $outf "</distance>"
  40     puts $outf "<fromurl>"
  41     puts $outf $fromurl
  42     puts $outf "</fromurl>"
  43     puts $outf "</zmbot>"
  44 }
  45
  46 proc RobotReadRecord {inf fromurlx distancex} {
  47     upvar $fromurlx fromurl
  48     upvar $distancex distance
  49     gets $inf
  50     gets $inf
  51     gets $inf
  52     set distance [string trim [gets $inf]]
  53     # puts "got distance = $distance"
  54     gets $inf
  55     gets $inf
  56     set fromurl [string trim [gets $inf]]
  57 }
  58
  59 proc RobotFileNext {task area} {
  60     global control
  61     global idletime ns
  62     global status
  63
  64     # puts "RobotFileNext seq=$control($task,seq)"
  65     if {$control($task,seq) < 0} {
  66         return {}
  67     }
  68     if {$control($task,seq) == 0} {
  69         if {[catch {set ns($task) [glob $task/$area/*]}]} {
  70             return done
  71         }
  72     }
  73     # puts "ns=$ns($task)"
  74     set off [string length $task/$area]
  75     incr off
  76     set n [lindex $ns($task) $control($task,seq)]
  77     # puts "n=$n"
  78     if {![string length $n]} {
  79         set control($task,seq) -1
  80         flush stdout
  81         set statusfile [open $task/status w]
  82         puts $statusfile "$status($task,unvisited) $status($task,bad) $status($task,visited)"
  83         close $statusfile
  84         return wait
  85     }
  86     incr control($task,seq)
  87     if {[file isfile $n/robots.txt_.tkl]} {
  88         # puts "ok returning http://[string range $n $off end]/robots.txt"
  89         return http://[string range $n $off end]/robots.txt
  90     } elseif {[file isdirectory $n]} {
  91         set sb [RobotFileNext1 $n http://[string range $n $off end]]
  92         if {[string length $sb]} {
  93             return $sb
  94         }
  95     }
  96     puts "no more work at end of RobotFileNext n=$n"
  97     puts "ns=$ns($task)"
  98     return {}
  99 }
 100
 101
 102 proc RobotFileExist {task area host path} {
 103     global debuglevel
 104
 105     if {$debuglevel > 3} {
 106         puts "RobotFileExist begin area=$area host=$host path=$path"
 107     }
 108     return [file exists $task/$area/$host${path}_.tkl]
 109 }
 110
 111 proc RobotFileUnlink {task area host path} {
 112     global status
 113     # puts "RobotFileUnlink begin"
 114     # puts "area=$area host=$host path=$path"
 115     set npath $task/$area/$host${path}_.tkl
 116     # puts "npath=$npath"
 117     set comp [split $npath /]
 118     if {[catch {exec rm $npath}]} return
 119
 120     set l [llength $comp]
 121     incr l -2
 122     incr status($task,$area) -1
 123     for {set i $l} {$i > 0} {incr i -1} {
 124         set path [join [lrange $comp 0 $i] /]
 125         if {![catch {glob $path/*}]} return
 126         exec rmdir $path
 127     }
 128     # puts "RobotFileUnlink end"
 129 }
 130
 131 proc RobotFileClose {out} {
 132     if [string compare $out stdout] {
 133         close $out
 134     }
 135 }
 136
 137 proc RobotFileOpen {task area host path {mode w}} {
 138     set orgPwd [pwd]
 139     global workdir
 140     global status
 141     global debuglevel
 142
 143     # puts "RobotFileOpen task=$task path=$path"
 144
 145     if {![info exists workdir]} {
 146         return stdout
 147     }
 148     if {$debuglevel > 3} {
 149         puts "RobotFileOpen orgPwd=$orgPwd area=$area host=$host path=$path mode=$mode"
 150     }
 151     if {[string compare $orgPwd $workdir]} {
 152         puts "ooops. RobotFileOpen failed"
 153         puts "workdir = $workdir"
 154         puts "pwd = $orgPwd"
 155         exit 1
 156     }
 157
 158     set comp [split $task/$area/$host /]
 159     set len [llength $comp]
 160     incr len -1
 161
 162     # puts "1 comp=$comp"
 163
 164     for {set i 0} {$i <= $len} {incr i} {
 165         set d [lindex $comp $i]
 166         if {[string length $d] == 0} {
 167             cd /
 168         } elseif {[catch {cd $d}]} {
 169             exec mkdir $d
 170             cd ./$d
 171             if {![string compare $area unvisited] && $i == $len && $mode == "w"} {
 172                 if {[string compare $path /robots.txt]} {
 173                     set out [open robots.txt_.tkl w]
 174                     puts "creating robots.txt in $d"
 175                     close $out
 176                     incr status($task,unvisited)
 177                 }
 178             }
 179         }
 180     }
 181
 182     set comp [split $path /]
 183     set len [llength $comp]
 184     incr len -1
 185
 186     # puts "2 path=$path comp=$comp"
 187
 188     for {set i 0} {$i < $len} {incr i} {
 189         set d [lindex $comp $i]
 190         if {[string length $d] > 0} {
 191             if {[catch {cd $d}]} {
 192                 exec mkdir $d
 193                 cd ./$d
 194             }
 195         }
 196     }
 197     set d [lindex $comp $len]
 198     set out [open ${d}_.tkl $mode]
 199     if {$mode == "w"} {
 200         incr status($task,$area)
 201     }
 202     cd $orgPwd
 203     return $out
 204 }
 205
 206 proc RobotStartJob {fname t} {
 207     global control
 208
 209     set f [open $fname r]
 210     set xml [read $f]
 211     puts "Reading $fname"
 212     close $f
 213     if {![regexp {<status>([^<]*)</status>} $xml x status]} {
 214         return
 215     }
 216     if {$status == "done"} {
 217         puts "already done"
 218         return
 219     }
 220     puts "status = $status"
 221     if {![task $t]} {
 222         return
 223     }
 224     htmlSwitch $xml \
 225         url {
 226             url $body
 227         } filter {
 228             set type $parm(type)
 229             set action $parm(action)
 230             if {$type == "domain"} {
 231                 $action url http://$body/*
 232             }
 233             if {$type == "url"} {
 234                 $action url $body
 235             }
 236             if {$type == "mime"} {
 237                 $action mime $body
 238             }
 239         } distance {
 240             set control($t,distance) $body
 241         } status {
 242             set control($t,filestatus) $body
 243         }
 244     if {$status == "pending"} {
 245         regsub {<status>[^<]*</status>} $xml {<status>running</status>} xml2
 246         set f [open $fname w]
 247         puts -nonewline $f $xml2
 248         close $f
 249     }
 250 }
 251
 252 proc RobotDoneJob {t} {
 253     global daemon_dir
 254
 255     if {![info exists daemon_dir]} {
 256         return
 257     }
 258
 259     set fname $t.tkl
 260
 261     set f [open $fname r]
 262     set xml [read $f]
 263     puts "Reading $fname"
 264     regexp {<status>([^<]*)</status>} $xml x status
 265     puts "------"
 266     puts "status = $status"
 267     close $f
 268
 269     regsub {<status>[^<]*</status>} $xml {<status>done</status>} xml2
 270     set f [open $fname w]
 271     puts -nonewline $f $xml2
 272     close $f
 273 }
 274
 275 proc RobotScanDir {} {
 276     global daemon_dir
 277
 278     if {![info exists daemon_dir]} {
 279         return
 280     }
 281     foreach d $daemon_dir {
 282         if {[catch {set files [glob $d/*.tkl]}]} {
 283             return
 284         }
 285         foreach fname $files {
 286             if {[file isfile $fname] && [file readable $fname]} {
 287                 set t [file rootname $fname]
 288                 RobotStartJob $fname $t
 289             }
 290         }
 291     }
 292 }
 293
 294 proc RobotRR {task} {
 295     global control robotsRunning tasks robotsMax status
 296
 297     puts "RobotRR -- running=$robotsRunning max=$robotsMax---------------"
 298     incr robotsRunning -1
 299
 300     # only one task gets through...
 301     if {[string compare [lindex $tasks 0] $task]} {
 302         return
 303     }
 304     puts "RobotRR. task = $task"
 305     while {$robotsRunning} {
 306         vwait robotsRunning
 307     }
 308     puts "Scan"
 309     if {[catch {RobotScanDir} msg]} {
 310         puts "RobotScanDir failed"
 311         puts $msg
 312     }
 313     foreach t $tasks {
 314         set statusfile [open $t/status w]
 315         puts $statusfile "$status($t,unvisited) $status($t,bad) $status($t,visited)"
 316         close $statusfile
 317         set control($t,seq) 0
 318         RobotStart $t
 319     }
 320 }
 321
 322 proc RobotDaemonSig {} {
 323     global daemon_cnt
 324
 325     incr daemon_cnt
 326 }
 327
 328 proc RobotDaemonLoop {} {
 329     global daemon_cnt tasks robotsRunning status
 330
 331     set daemon_cnt 0
 332     while 1 {
 333         puts $daemon_cnt
 334
 335         RobotScanDir
 336
 337         if {[info exists tasks]} {
 338             puts "daemon loop tasks $tasks"
 339             foreach t $tasks {
 340                 set control($t,seq) 0
 341                 RobotStart $t
 342             }
 343             while {$robotsRunning} {
 344                 vwait robotsRunning
 345             }
 346         }
 347         after 30000 RobotDaemonSig
 348         vwait daemon_cnt
 349     }
 350 }
 351
 352 proc RobotRestart {task url sock} {
 353     global URL robotsRunning
 354
 355     close $sock
 356     after cancel $URL($sock,cancel)
 357
 358     foreach v [array names URL $task,$url,*] {
 359         unset URL($v)
 360     }
 361
 362     incr robotsRunning -1
 363     RobotStart $task
 364 }
 365
 366 proc RobotStart {task} {
 367     global URL
 368     global robotsRunning robotsMax idletime status tasks
 369
 370     # puts "RobotStart $task running=$robotsRunning"
 371     while {1} {
 372         set url [RobotFileNext $task unvisited]
 373         if {[string compare $url done] == 0} {
 374             puts "In RobotStart task $task done"
 375
 376             catch {unset ntasks}
 377             foreach t $tasks {
 378                 if {[string compare $t $task]} {
 379                     lappend ntasks $t
 380                 } else {
 381                     puts "task $t done"
 382                 }
 383             }
 384             if {![info exists ntasks]} {
 385                 unset tasks
 386                 puts "all done"
 387             } else {
 388                 set tasks $ntasks
 389             }
 390             RobotDoneJob $task
 391             return
 392         }
 393         if {![string length $url]} {
 394             return
 395         }
 396         incr robotsRunning
 397         if {[string compare $url wait] == 0} {
 398             after $idletime [list RobotRR $task]
 399             return
 400         }
 401         set r [RobotGetUrl $task $url {}]
 402         if {!$r} {
 403             if {$robotsRunning >= $robotsMax} return
 404         } else {
 405             incr robotsRunning -1
 406             if {![RobotFileExist $task bad $URL($task,$url,hostport) $URL($task,$url,path)]} {
 407                 set outf [RobotFileOpen $task bad $URL($task,$url,hostport) $URL($task,$url,path)]
 408                 RobotFileClose $outf
 409             }
 410             RobotFileUnlink $task unvisited $URL($task,$url,hostport) $URL($task,$url,path)
 411         }
 412     }
 413 }
 414
 415 proc headSave {task url out} {
 416     global URL
 417
 418     if {[info exists URL($task,$url,head,last-modified)]} {
 419         puts $out "<lastmodified>$URL($task,$url,head,last-modified)</lastmodified>"
 420     }
 421     puts $out {<si>}
 422     if {[info exists URL($task,$url,head,date)]} {
 423         puts $out " <date>$URL($task,$url,head,date)</date>"
 424     }
 425     if {[info exists URL($task,$url,head,content-length)]} {
 426         puts $out " <by>$URL($task,$url,head,content-length)</by>"
 427     }
 428     if {[info exists URL($task,$url,head,server)]} {
 429         puts $out " <format>$URL($task,$url,head,server)</format>"
 430     }
 431     puts $out {</si>}
 432     puts $out {<publisher>}
 433     puts $out " <identifier>$url</identifier>"
 434     if {[info exists URL($task,$url,head,content-type)]} {
 435         puts $out " <type>$URL($task,$url,head,content-type)</type>"
 436     }
 437     puts $out {</publisher>}
 438 }
 439
 440 proc RobotHref {task url hrefx hostx pathx} {
 441     global URL control debuglevel
 442     upvar $hrefx href
 443     upvar $hostx host
 444     upvar $pathx path
 445
 446     if {$debuglevel > 1} {
 447         puts "Ref input url = $url href=$href"
 448     }
 449
 450     if {[string first { } $href] >= 0} {
 451         return 0
 452     }
 453     if {[string length $href] > 256} {
 454         return 0
 455     }
 456
 457 #   Skip pages that have ? in them
 458 #    if {[string first {?} $url] >= 0 && [string first {?} $href] >= 0} {
 459 #       return 0
 460 #    }
 461     # get method (if any)
 462     if {![regexp {^([^/:]+):(.*)} $href x method hpath]} {
 463         set hpath $href
 464         set method http
 465     } else {
 466         if {[string compare $method http]} {
 467             return 0
 468         }
 469     }
 470     # get host (if any)
 471     if {[regexp {^//([^/]+)([^\#]*)} $hpath x host surl]} {
 472         if {![string length $surl]} {
 473             set surl /
 474         }
 475         if {[info exist control($task,domains)]} {
 476             set ok 0
 477             foreach domain $control($task,domains) {
 478                 if {[string match $domain $host]} {
 479                     set ok 1
 480                     break
 481                 }
 482             }
 483             if {!$ok} {
 484                 return 0
 485             }
 486         }
 487     } else {
 488         regexp {^([^\#]*)} $hpath x surl
 489         set host $URL($task,$url,hostport)
 490     }
 491     if {![string length $surl]} {
 492         return 0
 493     }
 494     if {[string first / $surl]} {
 495         # relative path
 496         set curpath $URL($task,$url,path)
 497         if {[info exists URL($task,$url,bpath)]} {
 498             set curpath $URL($task,$url,bpath)
 499         }
 500         regexp {^([^\#?]*)} $curpath x dpart
 501         set l [string last / $dpart]
 502         if {[expr $l >= 0]} {
 503             set surl [string range $dpart 0 $l]$surl
 504         } else {
 505             set surl $dpart/$surl
 506         }
 507     }
 508     set surllist [split $surl /]
 509     catch {unset path}
 510     set pathl 0
 511     foreach c $surllist {
 512         switch -- $c {
 513             .. {
 514                 if {$pathl > 1} {
 515                     incr pathl -2
 516                     set path [lrange $path 0 $pathl]
 517                     incr pathl
 518                 }
 519             }
 520             . {
 521
 522             }
 523             default {
 524                 incr pathl
 525                 lappend path $c
 526             }
 527         }
 528     }
 529     if {$debuglevel > 4} {
 530         puts "pathl=$pathl output path=$path"
 531     }
 532     set path [join $path /]
 533     if {![string length $path]} {
 534         set path /
 535     }
 536     regsub -all {~} $path {%7E} path
 537     set href "$method://$host$path"
 538
 539     if {$debuglevel > 1} {
 540         puts "Ref result = $href"
 541     }
 542     return [checkrule $task url $href]
 543 }
 544
 545 proc RobotError {task url code} {
 546     global URL
 547
 548     puts "Bad URL $url (code $code)"
 549     set fromurl {}
 550     set distance -1
 551     if {[RobotFileExist $task unvisited $URL($task,$url,hostport) $URL($task,$url,path)]} {
 552         set inf [RobotFileOpen $task unvisited $URL($task,$url,hostport) $URL($task,$url,path) r]
 553         RobotReadRecord $inf fromurl distance
 554         RobotFileClose $inf
 555     }
 556     RobotFileUnlink $task unvisited $URL($task,$url,hostport) $URL($task,$url,path)
 557     if {![RobotFileExist $task bad $URL($task,$url,hostport) $URL($task,$url,path)]} {
 558         set outf [RobotFileOpen $task bad $URL($task,$url,hostport) $URL($task,$url,path)]
 559         RobotWriteRecord $outf $fromurl $distance
 560         RobotFileClose $outf
 561     }
 562 }
 563
 564 proc RobotRedirect {task url tourl code} {
 565     global URL
 566
 567     puts "Redirecting from $url to $tourl"
 568
 569     set distance {}
 570     set fromurl {}
 571     if {[RobotFileExist $task unvisited $URL($task,$url,hostport) $URL($task,$url,path)]} {
 572         set inf [RobotFileOpen $task unvisited $URL($task,$url,hostport) $URL($task,$url,path) r]
 573         RobotReadRecord $inf fromurl distance
 574         RobotFileClose $inf
 575     }
 576     if {![RobotFileExist $task bad $URL($task,$url,hostport) $URL($task,$url,path)]} {
 577         set outf [RobotFileOpen $task bad $URL($task,$url,hostport) $URL($task,$url,path)]
 578         RobotWriteRecord $outf $fromurl $distance
 579         RobotFileClose $outf
 580     }
 581     if {[RobotHref $task $url tourl host path]} {
 582         if {![RobotFileExist $task visited $host $path]} {
 583             if {![RobotFileExist $task unvisited $host $path]} {
 584                 set outf [RobotFileOpen $task unvisited $host $path]
 585                 RobotWriteRecord $outf $fromurl $distance
 586                 RobotFileClose $outf
 587             }
 588         } else {
 589             set olddistance {}
 590             set inf [RobotFileOpen $task visited $host $path r]
 591             RobotReadRecord $inf oldurl olddistance
 592             RobotFileClose $inf
 593             if {[string length $olddistance] == 0} {
 594                 set olddistance 1000
 595             }
 596             if {[string length $distance] == 0} {
 597                 set distance 1000
 598             }
 599             puts "distance=$distance olddistance=$olddistance"
 600             if {[expr $distance < $olddistance]} {
 601                 set outf [RobotFileOpen $task unvisited $host $path]
 602                 RobotWriteRecord $outf $tourl $distance
 603                 RobotFileClose $outf
 604             }
 605         }
 606     }
 607     if {[catch {RobotFileUnlink $task unvisited $URL($task,$url,hostport) $URL($task,$url,path)}]} {
 608         puts "unlink failed"
 609         exit 1
 610     }
 611 }
 612
 613 proc link {task url out href body distance} {
 614     global URL control
 615     if {[expr $distance > $control($task,distance)]} return
 616
 617     if {![RobotHref $task $url href host path]} return
 618
 619     puts $out "<cr>"
 620     puts $out "<identifier>$href</identifier>"
 621     puts $out "<description>$body</description>"
 622     puts $out "</cr>"
 623
 624     if {![RobotFileExist $task visited $host $path]} {
 625         set olddistance 1000
 626         if {![RobotFileExist $task bad $host $path]} {
 627             if {[RobotFileExist $task unvisited $host $path]} {
 628                 set inf [RobotFileOpen $task unvisited $host $path r]
 629                 RobotReadRecord $inf oldurl olddistance
 630                 RobotFileClose $inf
 631             }
 632         } else {
 633             set olddistance 0
 634         }
 635         if {[string length $olddistance] == 0} {
 636             set olddistance 1000
 637         }
 638         if {[expr $distance < $olddistance]} {
 639             set outf [RobotFileOpen $task unvisited $host $path]
 640             RobotWriteRecord $outf $url $distance
 641             RobotFileClose $outf
 642         }
 643     } elseif {[string compare $href $url]} {
 644         set inf [RobotFileOpen $task visited $host $path r]
 645         RobotReadRecord $inf xurl olddistance
 646         close $inf
 647         if {[string length $olddistance] == 0} {
 648             set olddistance 1000
 649         }
 650         if {[expr $distance < $olddistance]} {
 651             puts "OK remarking url=$url href=$href"
 652             puts "olddistance = $olddistance"
 653             puts "newdistance = $distance"
 654             set outf [RobotFileOpen $task unvisited $host $path]
 655             RobotWriteRecord $outf $url $distance
 656             RobotFileClose $outf
 657         }
 658     }
 659 }
 660
 661 proc RobotTextHtml {task url out} {
 662     global URL control
 663
 664     # set title so we can emit it for the body
 665     set title {}
 666     # if true, nothing will be indexed
 667     set noindex 0
 668     # if true, nothing will be followed
 669     set nofollow 0
 670
 671     set distance 0
 672     set fdistance 0
 673     if {$control($task,distance) < 1000 && [info exists URL($task,$url,dist)]} {
 674         set fdistance $URL($task,$url,dist)
 675         set distance [expr $fdistance + 1]
 676     }
 677     htmlSwitch $URL($task,$url,buf) \
 678         title {
 679             set title $body
 680         } -nonest meta {
 681             # collect metadata and save NAME= CONTENT=..
 682             set metaname {}
 683             set metacontent {}
 684             puts -nonewline $out "<meta"
 685             set al [array names parm]
 686             foreach a $al {
 687                 set al [string tolower $a]
 688                 puts -nonewline $out " $al"
 689                 puts -nonewline $out {="}
 690                 puts -nonewline $out $parm($a)
 691                 puts -nonewline $out {"}
 692                 switch -- $al {
 693                     "name" {
 694                         set metaname [string tolower $parm($a)]
 695                     }
 696                     "content" {
 697                         set metacontent $parm($a)
 698                     }
 699                 }
 700                 unset parm($al)
 701             }
 702             puts $out "></meta>"
 703             # go through robots directives (af any)
 704             if {![string compare $metaname robots]} {
 705                 set direcs [split [string tolower $metacontent] ,]
 706                 if {[lsearch $direcs noindex] >= 0} {
 707                     set noindex 1
 708                 }
 709                 if {[lsearch $direcs nofollow] >= 0} {
 710                     set nofollow 1
 711                 }
 712             }
 713         } body {
 714             # don't print title of document content if noindex is used
 715             if {!$noindex} {
 716                 puts $out "<title>$title</title>"
 717                 regsub -all {<!--[^-]*-->} $body { } abody
 718                 regsub -all -nocase {<script[^<]*</script>} $abody {} bbody
 719                 regsub -all {<[^\>]+>} $bbody {} nbody
 720                 puts $out "<documentcontent>"
 721                 puts $out $nbody
 722                 puts $out "</documentcontent>"
 723             }
 724         } -nonest base {
 725             # <base href=.. >
 726             if {![info exists parm(href)]} {
 727                 continue
 728             }
 729             set href [string trim $parm(href)]
 730             if {![RobotHref $task $url href host path]} continue
 731             set URL($task,$url,bpath) $path
 732         } a {
 733             # <a href="...."> .. </a>
 734             # we're not using nonest - otherwise body isn't set
 735             if {$nofollow} continue
 736             if {![info exists parm(href)]} {
 737                 continue
 738             }
 739             link $task $url $out [string trim $parm(href)] $body $distance
 740         } -nonest area {
 741             if {$nofollow} continue
 742             if {![info exists parm(href)]} {
 743                 continue
 744             }
 745             link $task $url $out [string trim $parm(href)] $body $distance
 746         } -nonest frame {
 747             if {![info exists parm(src)]} {
 748                 continue
 749             }
 750             link $task $url $out [string trim $parm(src)] $body $fdistance
 751         }
 752 }
 753
 754 proc RobotsTxt {task url} {
 755     global agent URL
 756
 757     RobotsTxt0 $task URL(URL($task,$url,hostport),robots) $URL($task,$url,buf)
 758 }
 759
 760 proc RobotsTxt0 {task v buf} {
 761     global URL agent
 762     set section 0
 763     foreach l [split $buf \n] {
 764         if {[regexp {([-A-Za-z]+):[ ]*([^\# ]+)} $l match cmd arg]} {
 765             set arg [string trim $arg]
 766             puts "cmd=$cmd arg=$arg"
 767             switch -- [string tolower $cmd] {
 768                 user-agent {
 769                     if {$section} break
 770                     set pat [string tolower $arg]*
 771                     set section [string match $pat $agent]
 772                 }
 773                 disallow {
 774                     if {$section} {
 775                         puts "rule [list 0 $arg]"
 776                         lappend $v [list 0 $arg]
 777                     }
 778                 }
 779                 allow {
 780                     if {$section} {
 781                         puts "rule [list 1 $arg]"
 782                         lappend $v [list 1 $arg]
 783                     }
 784                 }
 785             }
 786         }
 787     }
 788 }
 789
 790 proc RobotTextPlain {task url out} {
 791     global URL
 792
 793     puts $out "<documentcontent>"
 794     regsub -all {<} $URL($task,$url,buf) {\&lt;} content
 795     puts $out $content
 796     puts $out "</documentcontent>"
 797
 798     if {![string compare $URL($task,$url,path) /robots.txt]} {
 799         RobotsTxt $task $url
 800     }
 801 }
 802
 803 proc RobotWriteMetadata {task url out} {
 804     global URL
 805
 806     set charset $URL($task,$url,charset)
 807     puts $out "<?xml version=\"1.0\" encoding=\"$charset\" standalone=\"yes\"?>"
 808     puts $out "<zmbot>"
 809
 810     set distance 1000
 811     if {[RobotFileExist $task unvisited $URL($task,$url,hostport) $URL($task,$url,path)]} {
 812         set inf [RobotFileOpen $task unvisited $URL($task,$url,hostport) $URL($task,$url,path) r]
 813         RobotReadRecord $inf fromurl distance
 814         RobotFileClose $inf
 815     }
 816     set URL($task,$url,dist) $distance
 817     puts $out "<distance>"
 818     puts $out "  $distance"
 819     puts $out "</distance>"
 820     headSave $task $url $out
 821     puts "Parsing $url distance=$distance"
 822     switch $URL($task,$url,head,content-type) {
 823         text/html {
 824             if {[string length $distance]} {
 825                 RobotTextHtml $task $url $out
 826             }
 827         }
 828         text/plain {
 829             RobotTextPlain $task $url $out
 830         }
 831     }
 832     puts $out "</zmbot>"
 833 }
 834
 835 proc Robot200 {task url} {
 836     global URL
 837
 838     set out [RobotFileOpen $task raw $URL($task,$url,hostport) $URL($task,$url,path)]
 839     puts -nonewline $out $URL($task,$url,buf)
 840     RobotFileClose $out
 841
 842     set out [RobotFileOpen $task visited $URL($task,$url,hostport) $URL($task,$url,path)]
 843     RobotWriteMetadata $task $url $out
 844     RobotFileClose $out
 845
 846     RobotFileUnlink $task unvisited $URL($task,$url,hostport) $URL($task,$url,path)
 847 }
 848
 849 proc RobotReadContent {task url sock binary} {
 850     global URL
 851
 852     set buffer [read $sock 16384]
 853     set readCount [string length $buffer]
 854
 855     if {$readCount <= 0} {
 856         Robot200 $task $url
 857         RobotRestart $task $url $sock
 858     } elseif {!$binary && [string first \0 $buffer] >= 0} {
 859         Robot200 $task $url
 860         RobotRestart $task $url $sock
 861     } else {
 862         # puts "Got $readCount bytes"
 863         set URL($task,$url,buf) $URL($task,$url,buf)$buffer
 864     }
 865 }
 866
 867 proc RobotReadHeader {task url sock} {
 868     global URL debuglevel
 869
 870     if {$debuglevel > 1} {
 871         puts "HTTP head $url"
 872     }
 873     if {[catch {set buffer [read $sock 2148]}]} {
 874         RobotError $task $url 404
 875         RobotRestart $task $url $sock
 876         return
 877     }
 878     set readCount [string length $buffer]
 879
 880     if {$readCount <= 0} {
 881         RobotError $task $url 404
 882         RobotRestart $task $url $sock
 883     } else {
 884         # puts "Got $readCount bytes"
 885         set URL($task,$url,buf) $URL($task,$url,buf)$buffer
 886
 887         set n [string first \r\n\r\n $URL($task,$url,buf)]
 888         if {$n > 1} {
 889             set code 0
 890             set version {}
 891             set headbuf [string range $URL($task,$url,buf) 0 $n]
 892             incr n 4
 893             set URL($task,$url,charset) ISO-8859-1
 894             set URL($task,$url,buf) [string range $URL($task,$url,buf) $n end]
 895
 896             regexp {^HTTP/([0-9.]+)[ ]+([0-9]+)} $headbuf x version code
 897             set lines [split $headbuf \n]
 898             foreach line $lines {
 899                 if {[regexp {^([^:]+):[ ]+([^;]*)} $line x name value]} {
 900                     set URL($task,$url,head,[string tolower $name]) [string trim $value]
 901                 }
 902                 regexp {^Content-Type:.*charset=([A-Za-z0-9_-]*)} $line x URL($task,$url,charset)
 903             }
 904             puts "HTTP CODE $code"
 905             set URL($task,$url,state) skip
 906             switch $code {
 907                 301 {
 908                     RobotRedirect $task $url $URL($task,$url,head,location) 301
 909                     RobotRestart $task $url $sock
 910                 }
 911                 302 {
 912                     RobotRedirect $task $url $URL($task,$url,head,location) 302
 913                     RobotRestart $task $url $sock
 914                 }
 915                 200 {
 916                     if {![info exists URL($task,$url,head,content-type)]} {
 917                         set URL($task,$url,head,content-type) {}
 918                     }
 919                     set binary 1
 920                     switch -glob -- $URL($task,$url,head,content-type) {
 921                         text/* {
 922                             set binary 0
 923                         }
 924                     }
 925                     if {![regexp {/robots.txt$} $url]} {
 926                         if {![checkrule $task mime $URL($task,$url,head,content-type)]} {
 927                             RobotError $task $url mimedeny
 928                             RobotRestart $task $url $sock
 929                             return
 930                         }
 931                     }
 932                     fileevent $sock readable [list RobotReadContent $task $url $sock $binary]
 933                 }
 934                 default {
 935                     RobotError $task $url $code
 936                     RobotRestart $task $url $sock
 937                 }
 938             }
 939         }
 940     }
 941 }
 942
 943 proc RobotSockCancel {task url sock} {
 944
 945     puts "RobotSockCancel sock=$sock url=$url"
 946     RobotError $task $url 401
 947     RobotRestart $task $url $sock
 948 }
 949
 950 proc RobotConnect {task url sock} {
 951     global URL agent acceptLanguage
 952
 953     fconfigure $sock -translation {lf crlf} -blocking 0
 954     fileevent $sock readable [list RobotReadHeader $task $url $sock]
 955     puts $sock "GET $URL($task,$url,path) HTTP/1.0"
 956     puts $sock "Host: $URL($task,$url,host)"
 957     puts $sock "User-Agent: $agent"
 958     if {[string length $acceptLanguage]} {
 959         puts $sock "Accept-Language: $acceptLanguage"
 960     }
 961     puts $sock ""
 962     set URL($sock,cancel) [after 30000 [list RobotSockCancel $task $url $sock]]
 963     if {[catch {flush $sock}]} {
 964         RobotError $task $url 404
 965         RobotRestart $task $url $sock
 966     }
 967 }
 968
 969 proc RobotNop {} {
 970
 971 }
 972
 973 proc RobotGetUrl {task url phost} {
 974     global URL robotsRunning
 975     flush stdout
 976     puts "Retrieve running=$robotsRunning url=$url task=$task"
 977     if {![regexp {([^:]+)://([^/]+)(.*)} $url x method hostport path]} {
 978         return -1
 979     }
 980     if {![regexp {([^:]+):([0-9]+)} $hostport x host port]} {
 981         set port 80
 982         set host $hostport
 983     }
 984     set URL($task,$url,method) $method
 985     set URL($task,$url,host) $host
 986     set URL($task,$url,hostport) $hostport
 987     set URL($task,$url,path) $path
 988     set URL($task,$url,state) head
 989     set URL($task,$url,buf) {}
 990
 991     if {[string compare $path /robots.txt]} {
 992         set ok 1
 993         if {![info exists URL($hostport,robots)]} {
 994             puts "READING robots.txt for host $hostport"
 995             if {[RobotFileExist $task visited $hostport /robots.txt]} {
 996                 set inf [RobotFileOpen $task visited $hostport /robots.txt r]
 997                 set buf [read $inf 32768]
 998                 close $inf
 999             } else {
1000                 set buf "User-agent: *\nAllow: /\n"
1001             }
1002             RobotsTxt0 $task URL($hostport,robots) $buf
1003         }
1004         if {[info exists URL($hostport,robots)]} {
1005             foreach l $URL($hostport,robots) {
1006                 if {[string first [lindex $l 1] $path] == 0} {
1007                     set ok [lindex $l 0]
1008                     break
1009                 }
1010             }
1011         }
1012         if {!$ok} {
1013             puts "skipped due to robots.txt"
1014             return -1
1015         }
1016     }
1017     if [catch {set sock [socket -async $host $port]}] {
1018         return -1
1019     }
1020     RobotConnect $task $url $sock
1021
1022     return 0
1023 }
1024
1025 if {![llength [info commands htmlSwitch]]} {
1026     set e [info sharedlibextension]
1027     if {[catch {load ./tclrobot$e}]} {
1028         load tclrobot$e
1029     }
1030 }
1031
1032 set agent "zmbot/0.2"
1033 if {![catch {set os [exec uname -s -r]}]} {
1034     set agent "$agent ($os)"
1035 }
1036
1037 puts "agent: $agent"
1038
1039 proc bgerror {m} {
1040     global errorInfo
1041     puts "BGERROR $m"
1042     puts $errorInfo
1043 }
1044
1045 set robotsRunning 0
1046 set workdir [pwd]
1047 set idletime 30000
1048 set acceptLanguage {}
1049 set debuglevel 0
1050
1051 # Rules: allow, deny, url
1052
1053 proc checkrule {task type this} {
1054     global control
1055     global debuglevel
1056
1057     set default_ret 1
1058
1059     if {$debuglevel > 3} {
1060         puts "CHECKRULE $type $this"
1061     }
1062     if {[info exist control($task,alrules)]} {
1063         foreach l $control($task,alrules) {
1064             if {$debuglevel > 3} {
1065                 puts "consider $l"
1066             }
1067             # consider type
1068             if {[lindex $l 1] != $type} continue
1069             # consider mask (! negates)
1070             set masks [lindex $l 2]
1071             set ok 0
1072             set default_ret 0
1073             foreach mask $masks {
1074                 if {$debuglevel > 4} {
1075                     puts "consider single mask $mask"
1076                 }
1077                 if {[string index $mask 0] == "!"} {
1078                     set mask [string range $mask 1 end]
1079                     if {[string match $mask $this]}  continue
1080                 } else {
1081                     if {![string match $mask $this]} continue
1082                 }
1083                 set ok 1
1084             }
1085             if {$debuglevel > 4} {
1086                 puts "ok = $ok"
1087             }
1088             if {!$ok} continue
1089             # OK, we have a match
1090             if {[lindex $l 0] == "allow"} {
1091                 if {$debuglevel > 3} {
1092                     puts "CHECKRULE MATCH OK"
1093                 }
1094                 return 1
1095             } else {
1096                 if {$debuglevel > 3} {
1097                     puts "CHECKFULE MATCH FAIL"
1098                 }
1099                 return 0
1100             }
1101         }
1102     }
1103     if {$debuglevel > 3} {
1104         puts "CHECKRULE MATCH DEFAULT $default_ret"
1105     }
1106     return $default_ret
1107 }
1108
1109
1110 proc url {href} {
1111     global debuglevel task
1112
1113     if {[RobotHref $task http://www.indexdata.dk/ href host path]} {
1114         if {![RobotFileExist $task visited $host $path]} {
1115             set outf [RobotFileOpen $task unvisited $host $path]
1116             RobotWriteRecord $outf href 0
1117             RobotFileClose $outf
1118         }
1119     }
1120 }
1121
1122 proc deny {type stuff} {
1123     global control task
1124
1125     lappend control($task,alrules) [list deny $type $stuff]
1126 }
1127
1128 proc allow {type stuff} {
1129     global control task
1130
1131     lappend control($task,alrules) [list allow $type $stuff]
1132 }
1133
1134 proc debug {level} {
1135     global debuglevel
1136
1137     set debuglevel $level
1138 }
1139
1140 proc task {t} {
1141     global tasks task status control
1142
1143     set task $t
1144
1145     if {[info exists tasks]} {
1146         if {[lsearch -exact $tasks $t] >= 0} {
1147             return 0
1148         }
1149     }
1150
1151     lappend tasks $t
1152     set status($t,unvisited) 0
1153     set status($t,visited) 0
1154     set status($t,bad) 0
1155     set status($t,raw) 0
1156     set status($t,active) 1
1157     set control($t,seq) 0
1158     set control($t,distance) 10
1159     return 1
1160 }
1161
1162 # Little utility that ensures that at least one task is present (main).
1163 proc chktask {} {
1164     global tasks
1165     if {![info exist tasks]} {
1166         task main
1167     }
1168 }
1169
1170
1171 # Parse options
1172
1173 set i 0
1174 set l [llength $argv]
1175
1176 if {$l < 2} {
1177     puts {tclrobot: usage:}
1178     puts {tclrobot [-j jobs] [-i idle] [-c count] [-d domain] [-D dir] [-r rules] [url ..]}
1179     puts " Example: -c 3 -d '*.dk' http://www.indexdata.dk/"
1180
1181     exit 1
1182 }
1183
1184
1185 while  {$i < $l} {
1186     set arg [lindex $argv $i]
1187     switch -glob -- $arg {
1188         -t* {
1189             set t [string range $arg 2 end]
1190             if {![string length $t]} {
1191                 set t [lindex $argv [incr i]]
1192             }
1193             task $t
1194         }
1195         -D* {
1196             set dir [string range $arg 2 end]
1197             if {![string length $dir]} {
1198                 set dir [lindex $argv [incr i]]
1199             }
1200             lappend daemon_dir $dir
1201         }
1202         -j* {
1203             set robotsMax [string range $arg 2 end]
1204             if {![string length $robotsMax]} {
1205                 set robotsMax [lindex $argv [incr i]]
1206             }
1207         }
1208         -c* {
1209             chktask
1210             set control($task,distance) [string range $arg 2 end]
1211             if {![string length $control($task,distance)]} {
1212                 set control($task,distance) [lindex $argv [incr i]]
1213             }
1214         }
1215         -d* {
1216             chktask
1217             set dom [string range $arg 2 end]
1218             if {![string length $dom]} {
1219                 set dom [lindex $argv [incr i]]
1220             }
1221             lappend control($task,domains) $dom
1222         }
1223         -i* {
1224             set idletime [string range $arg 2 end]
1225             if {![string length $idletime]} {
1226                 set idletime [lindex $argv [incr i]]
1227             }
1228         }
1229         -l* {
1230             chktask
1231             set acceptLanguage [string range $arg 2 end]
1232             if {![string length $acceptLanguage]} {
1233                 set acceptLanguage [lindex $argv [incr i]]
1234             }
1235         }
1236         -r* {
1237             chktask
1238             set rfile [string range $arg 2 end]
1239             if {![string length $rfile]} {
1240                 set rfile [lindex $argv [incr i]]
1241             }
1242             catch {unset maxdistance}
1243             source $rfile
1244             if {[info exists maxdistance]} {
1245                 set control($task,distance) $maxdistance
1246             }
1247         }
1248         default {
1249             chktask
1250             set href $arg
1251             if {[RobotHref $task http://www.indexdata.dk/ href host path]} {
1252                 if {![RobotFileExist $task visited $host $path]} {
1253                     set outf [RobotFileOpen $task unvisited $host $path]
1254                     RobotWriteRecord $outf href 0
1255                     RobotFileClose $outf
1256                 }
1257             }
1258         }
1259     }
1260     incr i
1261 }
1262
1263 if {![info exist robotsMax]} {
1264     set robotsMax 5
1265 }
1266
1267 if {[info exist daemon_dir]} {
1268     RobotDaemonLoop
1269 } else {
1270     foreach t $tasks {
1271         puts "task $t"
1272         puts "max distance=$control($t,distance)"
1273         if {[info exists control($t,domains)]} {
1274             puts "domains=$control($t,domains)"
1275         }
1276     }
1277     puts "max jobs=$robotsMax"
1278
1279     foreach t $tasks {
1280         RobotStart $t
1281     }
1282
1283     while {$robotsRunning} {
1284         vwait robotsRunning
1285     }
1286
1287     if {[info exists tasks]} {
1288         foreach t $tasks {
1289             set statusfile [open $t/status w]
1290             puts $statusfile "$status($t,unvisited) $status($t,bad) $status($t,visited)"
1291             close $statusfile
1292         }
1293     }
1294 }
1295