robot.tcl

   1 #!/usr/bin/tclsh
   2 # $Id: robot.tcl,v 1.16 2001/06/06 07:10:31 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 "------------ N E X T  R O U N D --------"
  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
 258     upvar $hrefx href
 259     upvar $hostx host
 260     upvar $pathx path
 261
 262     puts "Ref url = $url href=$href"
 263
 264     if {[string first { } $href] >= 0} {
 265         return 0
 266     }
 267     if {[string length $href] > 256} {
 268         return 0
 269     }
 270     if {[string first {?} $url] >= 0 && [string first {?} $href] >= 0} {
 271         return 0
 272     }
 273     # get method (if any)
 274     if {![regexp {^([^/:]+):(.*)} $href x method hpath]} {
 275         set hpath $href
 276         set method http
 277     } else {
 278         if {[string compare $method http]} {
 279             return 0
 280         }
 281     }
 282     # get host (if any)
 283     if {[regexp {^//([^/]+)([^\#]*)} $hpath x host surl]} {
 284         if {![string length $surl]} {
 285             set surl /
 286         }
 287         if {[info exist domains]} {
 288             set ok 0
 289             foreach domain $domains {
 290                 if {[string match $domain $host]} {
 291                     set ok 1
 292                     break
 293                  }
 294             }
 295             if {!$ok} {
 296                 return 0
 297             }
 298         }
 299     } else {
 300         regexp {^([^\#]*)} $hpath x surl
 301         set host $URL($url,hostport)
 302     }
 303     if {![string length $surl]} {
 304         return 0
 305     }
 306     if {[string first / $surl]} {
 307         # relative path
 308         regexp {^([^\#?]*)} $URL($url,path) x dpart
 309         set l [string last / $dpart]
 310         if {[expr $l >= 0]} {
 311             set surl [string range $dpart 0 $l]$surl
 312         } else {
 313             set surl $dpart/$surl
 314         }
 315     }
 316     set c [split $surl /]
 317     set i [llength $c]
 318     incr i -1
 319     set path [lindex $c $i]
 320     incr i -1
 321     while {$i >= 0} {
 322         switch -- [lindex $c $i] {
 323             .. {
 324                 incr i -2
 325                 if {$i < 0} {
 326                     set i 0
 327                 }
 328             }
 329             . {
 330                 incr i -1
 331             }
 332             default {
 333                 set path [lindex $c $i]/$path
 334                 incr i -1
 335             }
 336         }
 337     }
 338     regsub -all {~} $path {%7E} path
 339     set href "$method://$host$path"
 340     puts "Ref href = $href"
 341     return 1
 342 }
 343
 344 proc RobotError {url code} {
 345     global URL
 346
 347     puts "Bad URL $url, $code"
 348     set fromurl {}
 349     set distance -1
 350     if {[RobotFileExist unvisited $URL($url,hostport) $URL($url,path)]} {
 351         set inf [RobotFileOpen unvisited $URL($url,hostport) $URL($url,path) r]
 352         RobotReadRecord $inf fromurl distance
 353         RobotFileClose $inf
 354     }
 355     RobotFileUnlink unvisited $URL($url,hostport) $URL($url,path)
 356     if {![RobotFileExist bad $URL($url,hostport) $URL($url,path)]} {
 357         set outf [RobotFileOpen bad $URL($url,hostport) $URL($url,path)]
 358         RobotWriteRecord $outf $fromurl $distance
 359         RobotFileClose $outf
 360     }
 361 }
 362
 363 proc RobotRedirect {url tourl code} {
 364     global URL
 365
 366     puts "Redirecting from $url to $tourl"
 367
 368     set distance {}
 369     set fromurl {}
 370     if {[RobotFileExist unvisited $URL($url,hostport) $URL($url,path)]} {
 371         set inf [RobotFileOpen unvisited $URL($url,hostport) $URL($url,path) r]
 372         RobotReadRecord $inf fromurl distance
 373         RobotFileClose $inf
 374     }
 375     if {![RobotFileExist bad $URL($url,hostport) $URL($url,path)]} {
 376         set outf [RobotFileOpen bad $URL($url,hostport) $URL($url,path)]
 377         RobotWriteRecord $outf $fromurl $distance
 378         RobotFileClose $outf
 379     }
 380     if {[RobotHref $url tourl host path]} {
 381         if {![RobotFileExist visited $host $path]} {
 382             if {![RobotFileExist unvisited $host $path]} {
 383                 set outf [RobotFileOpen unvisited $host $path]
 384                 RobotWriteRecord $outf $fromurl $distance
 385                 RobotFileClose $outf
 386             }
 387         } else {
 388             set olddistance {}
 389             set inf [RobotFileOpen visited $host $path r]
 390             RobotReadRecord $inf oldurl olddistance
 391             RobotFileClose $inf
 392             if {[string length $olddistance] == 0} {
 393                 set olddistance 1000
 394             }
 395             if {[string length $distance] == 0} {
 396                 set distance 1000
 397             }
 398             puts "distance=$distance olddistance=$olddistance"
 399             if {[expr $distance < $olddistance]} {
 400                 set outf [RobotFileOpen unvisited $host $path]
 401                 RobotWriteRecord $outf $tourl $distance
 402                 RobotFileClose $outf
 403             }
 404         }
 405     }
 406     if {[catch {RobotFileUnlink unvisited $URL($url,hostport) $URL($url,path)}]} {
 407         puts "unlink failed"
 408         exit 1
 409     }
 410 }
 411
 412 proc RobotTextHtml {url out} {
 413     global URL maxDistance
 414
 415     set distance 0
 416     if {$maxDistance < 1000 && [info exists URL($url,dist)]} {
 417         set distance [expr $URL($url,dist) + 1]
 418     }
 419     htmlSwitch $URL($url,buf) \
 420         title {
 421             puts $out "<title>$body</title>"
 422         } -nonest meta {
 423             puts -nonewline $out "<meta"
 424             foreach a [array names parm] {
 425                 puts -nonewline $out " $a"
 426                 puts -nonewline $out {="}
 427                 puts -nonewline $out $parm($a)
 428                 puts -nonewline $out {"}
 429             }
 430             puts $out {></meta>}
 431         } body {
 432             regsub -all -nocase {<script.*</script>} $body {} abody
 433             regsub -all {<[^\>]+>} $abody {} nbody
 434             puts $out "<documentcontent>"
 435             puts $out $nbody
 436             puts $out "</documentcontent>"
 437         } -nonest a {
 438             if {![info exists parm(href)]} {
 439                 puts "no href"
 440                 continue
 441             }
 442             if {[expr $distance <= $maxDistance]} {
 443                 set href [string trim $parm(href)]
 444                 if {![RobotHref $url href host path]} continue
 445
 446                 puts $out "<cr>"
 447                 puts $out "<identifier>$href</identifier>"
 448                 puts $out "<description>$body</description>"
 449                 puts $out "</cr>"
 450
 451                 if {![RobotFileExist visited $host $path]} {
 452                     set olddistance 1000
 453                     if {![RobotFileExist bad $host $path]} {
 454                         if {[RobotFileExist unvisited $host $path]} {
 455                             set inf [RobotFileOpen unvisited $host $path r]
 456                             RobotReadRecord $inf oldurl olddistance
 457                             RobotFileClose $inf
 458                         }
 459                     } else {
 460                         set olddistance 0
 461                     }
 462                     if {[string length $olddistance] == 0} {
 463                         set olddistance 1000
 464                     }
 465                     if {[expr $distance < $olddistance]} {
 466                         set outf [RobotFileOpen unvisited $host $path]
 467                         RobotWriteRecord $outf $url $distance
 468                         RobotFileClose $outf
 469                     }
 470                 } elseif {[string compare $href $url]} {
 471                     set inf [RobotFileOpen visited $host $path r]
 472                     RobotReadRecord $inf xurl olddistance
 473                     close $inf
 474                     if {[string length $olddistance] == 0} {
 475                         set olddistance 1000
 476                     }
 477                     if {[expr $distance < $olddistance]} {
 478                         puts "OK remarking url=$url href=$href"
 479                         puts "olddistance = $olddistance"
 480                         puts "newdistance = $distance"
 481                         set outf [RobotFileOpen unvisited $host $path]
 482                         RobotWriteRecord $outf $url $distance
 483                         RobotFileClose $outf
 484                     }
 485                 }
 486             }
 487         } -nonest area {
 488             if {![info exists parm(href)]} {
 489                 puts "no href"
 490                 continue
 491             }
 492             if {[expr $distance <= $maxDistance]} {
 493                 set href [string trim $parm(href)]
 494                 if {![RobotHref $url href host path]} continue
 495
 496                 puts $out "<cr>"
 497                 puts $out "<identifier>$href</identifier>"
 498                 puts $out "<description></description>"
 499                 puts $out "</cr>"
 500
 501                 if {![RobotFileExist visited $host $path]} {
 502                     set olddistance 1000
 503                     if {![RobotFileExist bad $host $path]} {
 504                         if {[RobotFileExist unvisited $host $path]} {
 505                             set inf [RobotFileOpen unvisited $host $path r]
 506                             RobotReadRecord $inf oldurl olddistance
 507                             RobotFileClose $inf
 508                         }
 509                     } else {
 510                         set olddistance 0
 511                     }
 512                     if {[string length $olddistance] == 0} {
 513                         set olddistance 1000
 514                     }
 515                     if {[expr $distance < $olddistance]} {
 516                         set outf [RobotFileOpen unvisited $host $path]
 517                         RobotWriteRecord $outf $url $distance
 518                         RobotFileClose $outf
 519                     }
 520                 } elseif {[string compare $href $url]} {
 521                     set inf [RobotFileOpen visited $host $path r]
 522                     RobotReadRecord $inf xurl olddistance
 523                     close $inf
 524                     if {[string length $olddistance] == 0} {
 525                         set olddistance 1000
 526                     }
 527                     if {[expr $distance < $olddistance]} {
 528                         puts "OK remarking url=$url href=$href"
 529                         puts "olddistance = $olddistance"
 530                         puts "newdistance = $distance"
 531                         set outf [RobotFileOpen unvisited $host $path]
 532                         RobotWriteRecord $outf $url $distance
 533                         RobotFileClose $outf
 534                     }
 535                 }
 536             }
 537         }
 538 }
 539
 540 proc RobotsTxt {url} {
 541     global agent URL
 542
 543     RobotsTxt0 URL(URL($url,hostport),robots) $URL($url,buf)
 544 }
 545
 546 proc RobotsTxt0 {v buf} {
 547     global URL agent
 548     set section 0
 549     foreach l [split $buf \n] {
 550         if {[regexp {([-A-Za-z]+):[ \t]*([^\#\t ]+)} $l match cmd arg]} {
 551             puts "cmd=$cmd arg=$arg"
 552             switch -- [string tolower $cmd] {
 553                 user-agent {
 554                     if {$section} break
 555                     set pat [string tolower $arg]*
 556                     set section [string match $pat $agent]
 557                 }
 558                 disallow {
 559                     if {$section} {
 560                         puts "rule [list 0 $arg]"
 561                         lappend $v [list 0 $arg]
 562                     }
 563                 }
 564                 allow {
 565                     if {$section} {
 566                         puts "rule [list 1 $arg]"
 567                         lappend $v [list 1 $arg]
 568                     }
 569                 }
 570             }
 571         }
 572     }
 573 }
 574
 575 proc RobotTextPlain {url out} {
 576     global URL
 577
 578     puts $out "<documentcontent>"
 579     puts $out $URL($url,buf)
 580     puts $out "</documentcontent>"
 581
 582     if {![string compare $URL($url,path) /robots.txt]} {
 583         RobotsTxt $url
 584     }
 585 }
 586
 587 proc Robot200 {url} {
 588     global URL domains
 589
 590     set out [RobotFileOpen visited $URL($url,hostport) $URL($url,path)]
 591     puts $out "<zmbot>"
 592
 593     set distance 1000
 594     if {[RobotFileExist unvisited $URL($url,hostport) $URL($url,path)]} {
 595         set inf [RobotFileOpen unvisited $URL($url,hostport) $URL($url,path) r]
 596         RobotReadRecord $inf fromurl distance
 597         RobotFileClose $inf
 598     }
 599     set URL($url,dist) $distance
 600     puts $out "<distance>"
 601     puts $out "  $distance"
 602     puts $out "</distance>"
 603     headSave $url $out
 604     puts "Parsing $url distance=$distance"
 605     switch $URL($url,head,content-type) {
 606         text/html {
 607             if {[string length $distance]} {
 608                 RobotTextHtml $url $out
 609             }
 610         }
 611         text/plain {
 612             RobotTextPlain $url $out
 613         }
 614         application/pdf {
 615             set pdff [open test.pdf w]
 616             puts -nonewline $pdff $URL($url,buf)
 617             close $pdff
 618         }
 619     }
 620     puts $out "</zmbot>"
 621     RobotFileClose $out
 622     # puts "Parsing done"
 623     RobotFileUnlink unvisited $URL($url,hostport) $URL($url,path)
 624 }
 625
 626 proc RobotReadContent {url sock binary} {
 627     global URL
 628
 629     puts "RobotReadContent $url"
 630     set buffer [read $sock 16384]
 631     set readCount [string length $buffer]
 632
 633     if {$readCount <= 0} {
 634         Robot200 $url
 635         RobotRestart $url $sock
 636     } elseif {!$binary && [string first \0 $buffer] >= 0} {
 637         Robot200 $url
 638         RobotRestart $url $sock
 639     } else {
 640         # puts "Got $readCount bytes"
 641         set URL($url,buf) $URL($url,buf)$buffer
 642     }
 643 }
 644
 645 proc RobotReadHeader {url sock} {
 646     global URL
 647
 648     puts "RobotReadHeader $url"
 649     if {[catch {set buffer [read $sock 2148]}]} {
 650         RobotError $url 404
 651         RobotRestart $url $sock
 652     }
 653     set readCount [string length $buffer]
 654
 655     if {$readCount <= 0} {
 656         RobotError $url 404
 657         RobotRestart $url $sock
 658     } else {
 659         # puts "Got $readCount bytes"
 660         set URL($url,buf) $URL($url,buf)$buffer
 661
 662         set n [string first \r\n\r\n $URL($url,buf)]
 663         if {$n > 1} {
 664             set code 0
 665             set version {}
 666             set headbuf [string range $URL($url,buf) 0 $n]
 667             incr n 4
 668             set URL($url,buf) [string range $URL($url,buf) $n end]
 669
 670             regexp {^HTTP/([0-9.]+)[ ]+([0-9]+)} $headbuf x version code
 671             set lines [split $headbuf \n]
 672             foreach line $lines {
 673                 if {[regexp {^([^:]+):[ ]+([^;]*)} $line x name value]} {
 674                     set URL($url,head,[string tolower $name]) [string trim $value]
 675                 }
 676             }
 677             puts "code = $code"
 678             set URL($url,state) skip
 679             switch $code {
 680                 301 {
 681                     RobotRedirect $url $URL($url,head,location) 301
 682                     RobotRestart $url $sock
 683                 }
 684                 302 {
 685                     RobotRedirect $url $URL($url,head,location) 302
 686                     RobotRestart $url $sock
 687                 }
 688                 200 {
 689                     if {![info exists URL($url,head,content-type)]} {
 690                         set URL($url,head,content-type) {}
 691                     }
 692                     set binary 0
 693                     switch $URL($url,head,content-type) {
 694                         application/pdf {
 695                             set binary 1
 696                         }
 697                     }
 698                     fileevent $sock readable [list RobotReadContent $url $sock $binary]
 699                 }
 700                 default {
 701                     RobotError $url $code
 702                     RobotRestart $url $sock
 703                 }
 704             }
 705         }
 706     }
 707 }
 708
 709 proc RobotSockCancel {url sock} {
 710
 711     puts "RobotSockCancel sock=$sock url=$url"
 712     RobotError $url 401
 713     RobotRestart $url $sock
 714 }
 715
 716 proc RobotConnect {url sock} {
 717     global URL agent
 718
 719     fconfigure $sock -translation {lf crlf} -blocking 0
 720     fileevent $sock readable [list RobotReadHeader $url $sock]
 721     puts $sock "GET $URL($url,path) HTTP/1.0"
 722     puts $sock "Host: $URL($url,host)"
 723     puts $sock "User-Agent: $agent"
 724     puts $sock ""
 725     flush $sock
 726     set URL($sock,cancel) [after 30000 [list RobotSockCancel $url $sock]]
 727 }
 728
 729 proc RobotNop {} {
 730
 731 }
 732
 733 proc RobotGetUrl {url phost} {
 734     global URL robotsRunning
 735     flush stdout
 736     puts "RobotGetUrl --------- robotsRunning=$robotsRunning url=$url"
 737     if {![regexp {([^:]+)://([^/]+)(.*)} $url x method hostport path]} {
 738         return -1
 739     }
 740     if {![regexp {([^:]+):([0-9]+)} $hostport x host port]} {
 741         set port 80
 742         set host $hostport
 743     }
 744     set URL($url,method) $method
 745     set URL($url,host) $host
 746     set URL($url,hostport) $hostport
 747     set URL($url,path) $path
 748     set URL($url,state) head
 749     set URL($url,buf) {}
 750
 751     if {[string compare $path /robots.txt]} {
 752         set ok 1
 753         if {![info exists URL($hostport,robots)]} {
 754             puts "READING robots.txt for host $hostport"
 755             if {[RobotFileExist visited $hostport /robots.txt]} {
 756                 set inf [RobotFileOpen visited $hostport /robots.txt r]
 757                 set buf [read $inf 32768]
 758                 close $inf
 759             } else {
 760                 set buf "User-agent: *\nAllow: /\n"
 761             }
 762             RobotsTxt0 URL($hostport,robots) $buf
 763         }
 764         if {[info exists URL($hostport,robots)]} {
 765             foreach l $URL($hostport,robots) {
 766                 if {[string first [lindex $l 1] $path] == 0} {
 767                     set ok [lindex $l 0]
 768                     break
 769                 }
 770             }
 771         }
 772         if {!$ok} {
 773             puts "skipped due to robots.txt"
 774             return -1
 775         }
 776     }
 777     if [catch {set sock [socket -async $host $port]}] {
 778         return -1
 779     }
 780     RobotConnect $url $sock
 781
 782     return 0
 783 }
 784
 785 if {![llength [info commands htmlSwitch]]} {
 786     set e [info sharedlibextension]
 787     if {[catch {load ./tclrobot$e}]} {
 788         load tclrobot$e
 789     }
 790 }
 791
 792 set agent "zmbot/0.0"
 793 if {![catch {set os [exec uname -s -r]}]} {
 794     set agent "$agent ($os)"
 795 }
 796
 797 puts "agent: $agent"
 798
 799 proc bgerror {m} {
 800     global errorInfo
 801     puts "BGERROR $m"
 802     puts $errorInfo
 803 }
 804
 805 set robotsRunning 0
 806 set robotSeq 0
 807 set workdir [pwd]
 808 set idleTime 60000
 809
 810 set i 0
 811 set l [llength $argv]
 812
 813 if {$l < 2} {
 814     puts {tclrobot: usage [-j jobs] [-i idle] [-c count] [-d domain] [url ..]}
 815     puts " Example: -c 3 -d '*.dk' http://www.indexdata.dk/"
 816     exit 1
 817 }
 818
 819 while  {$i < $l} {
 820     set arg [lindex $argv $i]
 821     switch -glob -- $arg {
 822         -j* {
 823             set robotsMax [string range $arg 2 end]
 824             if {![string length $robotsMax]} {
 825                 set robotsMax [lindex $argv [incr i]]
 826             }
 827         }
 828         -c* {
 829             set maxDistance [string range $arg 2 end]
 830             if {![string length $maxDistance]} {
 831                 set maxDistance [lindex $argv [incr i]]
 832             }
 833         }
 834         -d* {
 835             set dom [string range $arg 2 end]
 836             if {![string length $dom]} {
 837                 set dom [lindex $argv [incr i]]
 838             }
 839             lappend domains $dom
 840         }
 841         -i* {
 842             set idleTime [string range $arg 2 end]
 843             if {![string length $idleTime]} {
 844                 set idleTime [lindex $argv [incr i]]
 845             }
 846         }
 847         default {
 848             set href $arg
 849             if {[RobotHref http://www.indexdata.dk/ href host path]} {
 850                 if {![RobotFileExist visited $host $path]} {
 851                     set outf [RobotFileOpen unvisited $host $path]
 852                     RobotWriteRecord $outf href 0
 853                     RobotFileClose $outf
 854                 }
 855             }
 856         }
 857     }
 858     incr i
 859 }
 860
 861 if {![info exist domains]} {
 862     set domains {*}
 863 }
 864 if {![info exist maxDistance]} {
 865     set maxDistance 50
 866 }
 867 if {![info exist robotsMax]} {
 868     set robotsMax 5
 869 }
 870
 871 puts "domains=$domains"
 872 puts "max distance=$maxDistance"
 873 puts "max jobs=$robotsMax"
 874
 875 RobotStart
 876
 877 while {$robotsRunning} {
 878     vwait robotsRunning
 879 }