robot.tcl

   1 #!/usr/bin/tclsh
   2 # $Id: robot.tcl,v 1.29 2001/11/14 09:15:23 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 $inf]]
  50 }
  51
  52 proc RobotFileNext {area} {
  53     global robotSeq
  54     global idletime ns
  55     global status
  56
  57     # puts "RobotFileNext robotSeq=$robotSeq"
  58     if {$robotSeq < 0} {
  59         return {}
  60     }
  61     if {$robotSeq == 0} {
  62         if {[catch {set ns [glob ${area}/*]}]} {
  63             return {}
  64         }
  65     }
  66     set off [string length $area]
  67     incr off
  68     set n [lindex $ns $robotSeq]
  69     if {![string length $n]} {
  70         set robotSeq -1
  71         flush stdout
  72         set statusfile [open status w]
  73         puts $statusfile "$status(unvisited) $status(bad) $status(visited)"
  74         close $statusfile
  75         return wait
  76     }
  77     incr robotSeq
  78     if {[file isfile $n/frobots.txt]} {
  79         puts "ok returning http://[string range $n $off end]/robots.txt"
  80         return http://[string range $n $off end]/robots.txt
  81     } elseif {[file isdirectory $n]} {
  82         set sb [RobotFileNext1 $n http://[string range $n $off end]]
  83         if {[string length $sb]} {
  84             return $sb
  85         }
  86     }
  87     puts "no more work at end of RobotFileNext n=$n"
  88     puts "ns=$ns"
  89     return {}
  90 }
  91
  92
  93 proc RobotFileExist {area host path} {
  94     global debuglevel
  95
  96     if {$debuglevel > 3} {
  97         puts "RobotFileExist begin area=$area host=$host path=$path"
  98     }
  99     set lpath [split $path /]
 100     set l [llength $lpath]
 101     incr l -1
 102     set t [lindex $lpath $l]
 103     incr l -1
 104     set npath $area/$host[join [lrange $lpath 0 $l] /d]/f$t
 105     if {$debuglevel > 3} {
 106         puts "RobotFileExist end npath=$npath"
 107     }
 108     return [file exists $npath]
 109 }
 110
 111 proc RobotFileUnlink {area host path} {
 112     global status
 113     # puts "RobotFileUnlink begin"
 114     # puts "area=$area host=$host path=$path"
 115     set lpath [split $path /]
 116     set l [llength $lpath]
 117     incr l -1
 118     set t [lindex $lpath $l]
 119     incr l -1
 120     set npath $area/$host[join [lrange $lpath 0 $l] /d]/f$t
 121     # puts "npath=$npath"
 122     set comp [split $npath /]
 123     if {[catch {exec rm [join $comp /]}]} return
 124
 125     set l [llength $comp]
 126     incr l -1
 127     incr l -1
 128     incr status($area) -1
 129     for {set i $l} {$i > 0} {incr i -1} {
 130         set path [join [lrange $comp 0 $i] /]
 131         if {![catch {glob $path/*}]} return
 132         exec rmdir ./$path
 133     }
 134     # puts "RobotFileUnlink end"
 135 }
 136
 137 proc RobotFileClose {out} {
 138     if [string compare $out stdout] {
 139         close $out
 140     }
 141 }
 142
 143 proc RobotFileOpen {area host path {mode w}} {
 144     set orgPwd [pwd]
 145     global workdir
 146     global status
 147     global debuglevel
 148
 149     if {![info exists workdir]} {
 150         return stdout
 151     }
 152     if {$debuglevel > 3} {
 153         puts "RobotFileOpen orgPwd=$orgPwd area=$area host=$host path=$path mode=$mode"
 154     }
 155     if {[string compare $orgPwd $workdir]} {
 156         puts "ooops. RobotFileOpen failed"
 157         puts "workdir = $workdir"
 158         puts "pwd = $orgPwd"
 159         exit 1
 160     }
 161     set comp [split $area/$host$path /]
 162     set len [llength $comp]
 163     incr len -1
 164     for {set i 0} {$i < $len} {incr i} {
 165         if {$i > 1} {
 166             set d "d[lindex $comp $i]"
 167         } else {
 168             set d [lindex $comp $i]
 169         }
 170         if {[catch {cd ./$d}]} {
 171             exec mkdir $d
 172             cd ./$d
 173             if {![string compare $area unvisited] && $i == 1 && $mode == "w"} {
 174                 set out [open frobots.txt w]
 175                 puts "creating robots.txt in $d"
 176                 close $out
 177                 incr status(unvisited)
 178             }
 179         }
 180     }
 181     set d [lindex $comp $len]
 182     if {[string length $d]} {
 183         set out [open f$d $mode]
 184         if {0} {
 185             if {[file isfile $d/f]} {
 186                 set out [open $d/f $mode]
 187             } else {
 188                 set out [open f$d $mode]
 189             }
 190         }
 191     } else {
 192         set out [open f $mode]
 193     }
 194     if {$mode == "w"} {
 195         incr status($area)
 196     }
 197     cd $orgPwd
 198     return $out
 199 }
 200
 201 proc RobotRR {} {
 202     global robotSeq robotsRunning
 203
 204     incr robotsRunning -1
 205     while {$robotsRunning} {
 206         vwait robotsRunning
 207     }
 208     set robotSeq 0
 209     RobotStart
 210 }
 211
 212 proc RobotRestart {url sock} {
 213     global URL robotsRunning
 214
 215     close $sock
 216     after cancel $URL($sock,cancel)
 217
 218     foreach v [array names URL $url,*] {
 219         unset URL($v)
 220     }
 221
 222     incr robotsRunning -1
 223     RobotStart
 224 }
 225
 226 proc RobotStart {} {
 227     global URL
 228     global robotsRunning robotsMax idletime
 229
 230     # puts "RobotStart"
 231     while {1} {
 232         set url [RobotFileNext unvisited]
 233         if {![string length $url]} {
 234             return
 235         }
 236         incr robotsRunning
 237         if {[string compare $url wait] == 0} {
 238             after $idletime RobotRR
 239             return
 240         }
 241         set r [RobotGetUrl $url {}]
 242         if {!$r} {
 243             if {$robotsRunning >= $robotsMax} return
 244         } else {
 245             incr robotsRunning -1
 246             if {![RobotFileExist bad $URL($url,hostport) $URL($url,path)]} {
 247                 set outf [RobotFileOpen bad $URL($url,hostport) $URL($url,path)]
 248                 RobotFileClose $outf
 249             }
 250             RobotFileUnlink unvisited $URL($url,hostport) $URL($url,path)
 251         }
 252     }
 253 }
 254
 255 proc headSave {url out} {
 256     global URL
 257
 258     if {[info exists URL($url,head,last-modified)]} {
 259         puts $out "<lastmodified>$URL($url,head,last-modified)</lastmodified>"
 260     }
 261     puts $out {<si>}
 262     if {[info exists URL($url,head,date)]} {
 263         puts $out " <date>$URL($url,head,date)</date>"
 264     }
 265     if {[info exists URL($url,head,content-length)]} {
 266         puts $out " <by>$URL($url,head,content-length)</by>"
 267     }
 268     if {[info exists URL($url,head,server)]} {
 269         puts $out " <format>$URL($url,head,server)</format>"
 270     }
 271     puts $out {</si>}
 272     puts $out {<publisher>}
 273     puts $out " <identifier>$url</identifier>"
 274     if {[info exists URL($url,head,content-type)]} {
 275         puts $out " <type>$URL($url,head,content-type)</type>"
 276     }
 277     puts $out {</publisher>}
 278 }
 279
 280 proc RobotHref {url hrefx hostx pathx} {
 281     global URL domains debuglevel
 282     upvar $hrefx href
 283     upvar $hostx host
 284     upvar $pathx path
 285
 286     if {$debuglevel > 1} {
 287         puts "Ref input url = $url href=$href"
 288     }
 289
 290     if {[string first { } $href] >= 0} {
 291         return 0
 292     }
 293     if {[string length $href] > 256} {
 294         return 0
 295     }
 296     if {[string first {?} $href] >= 0} {
 297         return 0
 298     }
 299     if {[string first {?} $url] >= 0 && [string first {?} $href] >= 0} {
 300         return 0
 301     }
 302     # get method (if any)
 303     if {![regexp {^([^/:]+):(.*)} $href x method hpath]} {
 304         set hpath $href
 305         set method http
 306     } else {
 307         if {[string compare $method http]} {
 308             return 0
 309         }
 310     }
 311     # get host (if any)
 312     if {[regexp {^//([^/]+)([^\#]*)} $hpath x host surl]} {
 313         if {![string length $surl]} {
 314             set surl /
 315         }
 316         if {[info exist domains]} {
 317             set ok 0
 318             foreach domain $domains {
 319                 if {[string match $domain $host]} {
 320                     set ok 1
 321                     break
 322                  }
 323             }
 324             if {!$ok} {
 325                 return 0
 326             }
 327         }
 328     } else {
 329         regexp {^([^\#]*)} $hpath x surl
 330         set host $URL($url,hostport)
 331     }
 332     if {![string length $surl]} {
 333         return 0
 334     }
 335     if {[string first / $surl]} {
 336         # relative path
 337         set curpath $URL($url,path)
 338         if {[info exists URL($url,bpath)]} {
 339             set curpath $URL($url,bpath)
 340         }
 341         regexp {^([^\#?]*)} $curpath x dpart
 342         set l [string last / $dpart]
 343         if {[expr $l >= 0]} {
 344             set surl [string range $dpart 0 $l]$surl
 345         } else {
 346             set surl $dpart/$surl
 347         }
 348     }
 349     set surllist [split $surl /]
 350     catch {unset path}
 351     set pathl 0
 352     foreach c $surllist {
 353         switch -- $c {
 354             .. {
 355                 if {$pathl > 1} {
 356                     incr pathl -2
 357                     set path [lrange $path 0 $pathl]
 358                     incr pathl
 359                 }
 360             }
 361             . {
 362
 363             }
 364             default {
 365                 incr pathl
 366                 lappend path $c
 367             }
 368         }
 369     }
 370     if {$debuglevel > 4} {
 371         puts "pathl=$pathl output path=$path"
 372     }
 373     set path [join $path /]
 374     if {![string length $path]} {
 375         set path /
 376     }
 377     regsub -all {~} $path {%7E} path
 378     set href "$method://$host$path"
 379
 380     if {$debuglevel > 1} {
 381         puts "Ref result = $href"
 382     }
 383     return [checkrule url $href]
 384 }
 385
 386 proc RobotError {url code} {
 387     global URL
 388
 389     puts "Bad URL $url (code $code)"
 390     set fromurl {}
 391     set distance -1
 392     if {[RobotFileExist unvisited $URL($url,hostport) $URL($url,path)]} {
 393         set inf [RobotFileOpen unvisited $URL($url,hostport) $URL($url,path) r]
 394         RobotReadRecord $inf fromurl distance
 395         RobotFileClose $inf
 396     }
 397     RobotFileUnlink unvisited $URL($url,hostport) $URL($url,path)
 398     if {![RobotFileExist bad $URL($url,hostport) $URL($url,path)]} {
 399         set outf [RobotFileOpen bad $URL($url,hostport) $URL($url,path)]
 400         RobotWriteRecord $outf $fromurl $distance
 401         RobotFileClose $outf
 402     }
 403 }
 404
 405 proc RobotRedirect {url tourl code} {
 406     global URL
 407
 408     puts "Redirecting from $url to $tourl"
 409
 410     set distance {}
 411     set fromurl {}
 412     if {[RobotFileExist unvisited $URL($url,hostport) $URL($url,path)]} {
 413         set inf [RobotFileOpen unvisited $URL($url,hostport) $URL($url,path) r]
 414         RobotReadRecord $inf fromurl distance
 415         RobotFileClose $inf
 416     }
 417     if {![RobotFileExist bad $URL($url,hostport) $URL($url,path)]} {
 418         set outf [RobotFileOpen bad $URL($url,hostport) $URL($url,path)]
 419         RobotWriteRecord $outf $fromurl $distance
 420         RobotFileClose $outf
 421     }
 422     if {[RobotHref $url tourl host path]} {
 423         if {![RobotFileExist visited $host $path]} {
 424             if {![RobotFileExist unvisited $host $path]} {
 425                 set outf [RobotFileOpen unvisited $host $path]
 426                 RobotWriteRecord $outf $fromurl $distance
 427                 RobotFileClose $outf
 428             }
 429         } else {
 430             set olddistance {}
 431             set inf [RobotFileOpen visited $host $path r]
 432             RobotReadRecord $inf oldurl olddistance
 433             RobotFileClose $inf
 434             if {[string length $olddistance] == 0} {
 435                 set olddistance 1000
 436             }
 437             if {[string length $distance] == 0} {
 438                 set distance 1000
 439             }
 440             puts "distance=$distance olddistance=$olddistance"
 441             if {[expr $distance < $olddistance]} {
 442                 set outf [RobotFileOpen unvisited $host $path]
 443                 RobotWriteRecord $outf $tourl $distance
 444                 RobotFileClose $outf
 445             }
 446         }
 447     }
 448     if {[catch {RobotFileUnlink unvisited $URL($url,hostport) $URL($url,path)}]} {
 449         puts "unlink failed"
 450         exit 1
 451     }
 452 }
 453
 454 proc link {url out href body distance} {
 455     global URL maxdistance
 456     if {[expr $distance > $maxdistance]} return
 457
 458     if {![RobotHref $url href host path]} return
 459
 460     puts $out "<cr>"
 461     puts $out "<identifier>$href</identifier>"
 462     puts $out "<description>$body</description>"
 463     puts $out "</cr>"
 464
 465     if {![RobotFileExist visited $host $path]} {
 466         set olddistance 1000
 467         if {![RobotFileExist bad $host $path]} {
 468             if {[RobotFileExist unvisited $host $path]} {
 469                 set inf [RobotFileOpen unvisited $host $path r]
 470                 RobotReadRecord $inf oldurl olddistance
 471                 RobotFileClose $inf
 472             }
 473         } else {
 474             set olddistance 0
 475         }
 476         if {[string length $olddistance] == 0} {
 477             set olddistance 1000
 478         }
 479         if {[expr $distance < $olddistance]} {
 480             set outf [RobotFileOpen unvisited $host $path]
 481             RobotWriteRecord $outf $url $distance
 482             RobotFileClose $outf
 483         }
 484     } elseif {[string compare $href $url]} {
 485         set inf [RobotFileOpen visited $host $path r]
 486         RobotReadRecord $inf xurl olddistance
 487         close $inf
 488         if {[string length $olddistance] == 0} {
 489             set olddistance 1000
 490         }
 491         if {[expr $distance < $olddistance]} {
 492             puts "OK remarking url=$url href=$href"
 493             puts "olddistance = $olddistance"
 494             puts "newdistance = $distance"
 495             set outf [RobotFileOpen unvisited $host $path]
 496             RobotWriteRecord $outf $url $distance
 497             RobotFileClose $outf
 498         }
 499     }
 500 }
 501
 502 proc RobotTextHtml {url out} {
 503     global URL maxdistance
 504
 505     set distance 0
 506     set fdistance 0
 507     if {$maxdistance < 1000 && [info exists URL($url,dist)]} {
 508         set fdistance $URL($url,dist)
 509         set distance [expr $fdistance + 1]
 510     }
 511     htmlSwitch $URL($url,buf) \
 512         title {
 513             puts $out "<title>$body</title>"
 514         } -nonest meta {
 515             puts -nonewline $out "<meta"
 516             foreach a [array names parm] {
 517                 puts -nonewline $out " $a"
 518                 puts -nonewline $out {="}
 519                 puts -nonewline $out $parm($a)
 520                 puts -nonewline $out {"}
 521             }
 522             puts $out {></meta>}
 523         } body {
 524             regsub -all {<!--[^-]*->} $body { } abody
 525             regsub -all -nocase {<script[^<]*</script>} $abody {} bbody
 526             regsub -all {<[^\>]+>} $bbody {} nbody
 527             puts $out "<documentcontent>"
 528             puts $out $nbody
 529             puts $out "</documentcontent>"
 530         } -nonest base {
 531             if {![info exists parm(href)]} {
 532                 continue
 533             }
 534             set href [string trim $parm(href)]
 535             if {![RobotHref $url href host path]} continue
 536             set URL($url,bpath) $path
 537         } -nonest a {
 538             if {![info exists parm(href)]} {
 539                 continue
 540             }
 541             link $url $out [string trim $parm(href)] $body $distance
 542         } -nonest area {
 543             if {![info exists parm(href)]} {
 544                 continue
 545             }
 546             link $url $out [string trim $parm(href)] $body $distance
 547         } -nonest frame {
 548             if {![info exists parm(src)]} {
 549                 continue
 550             }
 551             link $url $out [string trim $parm(src)] $body $fdistance
 552         }
 553 }
 554
 555 proc RobotsTxt {url} {
 556     global agent URL
 557
 558     RobotsTxt0 URL(URL($url,hostport),robots) $URL($url,buf)
 559 }
 560
 561 proc RobotsTxt0 {v buf} {
 562     global URL agent
 563     set section 0
 564     foreach l [split $buf \n] {
 565         if {[regexp {([-A-Za-z]+):[ ]*([^\# ]+)} $l match cmd arg]} {
 566             puts "cmd=$cmd arg=$arg"
 567             switch -- [string tolower $cmd] {
 568                 user-agent {
 569                     if {$section} break
 570                     set pat [string tolower $arg]*
 571                     set section [string match $pat $agent]
 572                 }
 573                 disallow {
 574                     if {$section} {
 575                         puts "rule [list 0 $arg]"
 576                         lappend $v [list 0 $arg]
 577                     }
 578                 }
 579                 allow {
 580                     if {$section} {
 581                         puts "rule [list 1 $arg]"
 582                         lappend $v [list 1 $arg]
 583                     }
 584                 }
 585             }
 586         }
 587     }
 588 }
 589
 590 proc RobotTextPlain {url out} {
 591     global URL
 592
 593     puts $out "<documentcontent>"
 594     regsub -all {<} $URL($url,buf) {\&lt;} content
 595     puts $out $content
 596     puts $out "</documentcontent>"
 597
 598     if {![string compare $URL($url,path) /robots.txt]} {
 599         RobotsTxt $url
 600     }
 601 }
 602
 603 proc RobotWriteMetadata {url out} {
 604     global URL domains
 605
 606     puts $out "<zmbot>"
 607
 608     set distance 1000
 609     if {[RobotFileExist unvisited $URL($url,hostport) $URL($url,path)]} {
 610         set inf [RobotFileOpen unvisited $URL($url,hostport) $URL($url,path) r]
 611         RobotReadRecord $inf fromurl distance
 612         RobotFileClose $inf
 613     }
 614     set URL($url,dist) $distance
 615     puts $out "<distance>"
 616     puts $out "  $distance"
 617     puts $out "</distance>"
 618     headSave $url $out
 619     puts "Parsing $url distance=$distance"
 620     switch $URL($url,head,content-type) {
 621         text/html {
 622             if {[string length $distance]} {
 623                 RobotTextHtml $url $out
 624             }
 625         }
 626         text/plain {
 627             RobotTextPlain $url $out
 628         }
 629     }
 630     puts $out "</zmbot>"
 631 }
 632
 633 proc Robot200 {url} {
 634     global URL domains
 635
 636     set out [RobotFileOpen raw $URL($url,hostport) $URL($url,path)]
 637     puts -nonewline $out $URL($url,buf)
 638     RobotFileClose $out
 639
 640     set out [RobotFileOpen visited $URL($url,hostport) $URL($url,path)]
 641     RobotWriteMetadata $url $out
 642     RobotFileClose $out
 643
 644     RobotFileUnlink unvisited $URL($url,hostport) $URL($url,path)
 645 }
 646
 647 proc RobotReadContent {url sock binary} {
 648     global URL
 649
 650     set buffer [read $sock 16384]
 651     set readCount [string length $buffer]
 652
 653     if {$readCount <= 0} {
 654         Robot200 $url
 655         RobotRestart $url $sock
 656     } elseif {!$binary && [string first \0 $buffer] >= 0} {
 657         Robot200 $url
 658         RobotRestart $url $sock
 659     } else {
 660         # puts "Got $readCount bytes"
 661         set URL($url,buf) $URL($url,buf)$buffer
 662     }
 663 }
 664
 665 proc RobotReadHeader {url sock} {
 666     global URL debuglevel
 667
 668     if {$debuglevel > 1} {
 669         puts "HTTP head $url"
 670     }
 671     if {[catch {set buffer [read $sock 2148]}]} {
 672         RobotError $url 404
 673         RobotRestart $url $sock
 674         return
 675     }
 676     set readCount [string length $buffer]
 677
 678     if {$readCount <= 0} {
 679         RobotError $url 404
 680         RobotRestart $url $sock
 681     } else {
 682         # puts "Got $readCount bytes"
 683         set URL($url,buf) $URL($url,buf)$buffer
 684
 685         set n [string first \r\n\r\n $URL($url,buf)]
 686         if {$n > 1} {
 687             set code 0
 688             set version {}
 689             set headbuf [string range $URL($url,buf) 0 $n]
 690             incr n 4
 691             set URL($url,buf) [string range $URL($url,buf) $n end]
 692
 693             regexp {^HTTP/([0-9.]+)[ ]+([0-9]+)} $headbuf x version code
 694             set lines [split $headbuf \n]
 695             foreach line $lines {
 696                 if {[regexp {^([^:]+):[ ]+([^;]*)} $line x name value]} {
 697                     set URL($url,head,[string tolower $name]) [string trim $value]
 698                 }
 699             }
 700             puts "HTTP CODE $code"
 701             set URL($url,state) skip
 702             switch $code {
 703                 301 {
 704                     RobotRedirect $url $URL($url,head,location) 301
 705                     RobotRestart $url $sock
 706                 }
 707                 302 {
 708                     RobotRedirect $url $URL($url,head,location) 302
 709                     RobotRestart $url $sock
 710                 }
 711                 200 {
 712                     if {![info exists URL($url,head,content-type)]} {
 713                         set URL($url,head,content-type) {}
 714                     }
 715                     set binary 1
 716                     switch -glob -- $URL($url,head,content-type) {
 717                         text/* {
 718                             set binary 0
 719                         }
 720                     }
 721                     if {![regexp {/robots.txt$} $url]} {
 722                         if {![checkrule mime $URL($url,head,content-type)]} {
 723                             RobotError $url mimedeny
 724                             RobotRestart $url $sock
 725                             return
 726                         }
 727                     }
 728                     fileevent $sock readable [list RobotReadContent $url $sock $binary]
 729                 }
 730                 default {
 731                     RobotError $url $code
 732                     RobotRestart $url $sock
 733                 }
 734             }
 735         }
 736     }
 737 }
 738
 739 proc RobotSockCancel {url sock} {
 740
 741     puts "RobotSockCancel sock=$sock url=$url"
 742     RobotError $url 401
 743     RobotRestart $url $sock
 744 }
 745
 746 proc RobotConnect {url sock} {
 747     global URL agent acceptLanguage
 748
 749     fconfigure $sock -translation {lf crlf} -blocking 0
 750     fileevent $sock readable [list RobotReadHeader $url $sock]
 751     puts $sock "GET $URL($url,path) HTTP/1.0"
 752     puts $sock "Host: $URL($url,host)"
 753     puts $sock "User-Agent: $agent"
 754     if {[string length $acceptLanguage]} {
 755         puts $sock "Accept-Language: $acceptLanguage"
 756     }
 757     puts $sock ""
 758     flush $sock
 759     set URL($sock,cancel) [after 30000 [list RobotSockCancel $url $sock]]
 760 }
 761
 762 proc RobotNop {} {
 763
 764 }
 765
 766 proc RobotGetUrl {url phost} {
 767     global URL robotsRunning
 768     flush stdout
 769     puts "Retrieve $robotsRunning url=$url"
 770     if {![regexp {([^:]+)://([^/]+)(.*)} $url x method hostport path]} {
 771         return -1
 772     }
 773     if {![regexp {([^:]+):([0-9]+)} $hostport x host port]} {
 774         set port 80
 775         set host $hostport
 776     }
 777     set URL($url,method) $method
 778     set URL($url,host) $host
 779     set URL($url,hostport) $hostport
 780     set URL($url,path) $path
 781     set URL($url,state) head
 782     set URL($url,buf) {}
 783
 784     if {[string compare $path /robots.txt]} {
 785         set ok 1
 786         if {![info exists URL($hostport,robots)]} {
 787             puts "READING robots.txt for host $hostport"
 788             if {[RobotFileExist visited $hostport /robots.txt]} {
 789                 set inf [RobotFileOpen visited $hostport /robots.txt r]
 790                 set buf [read $inf 32768]
 791                 close $inf
 792             } else {
 793                 set buf "User-agent: *\nAllow: /\n"
 794             }
 795             RobotsTxt0 URL($hostport,robots) $buf
 796         }
 797         if {[info exists URL($hostport,robots)]} {
 798             foreach l $URL($hostport,robots) {
 799                 if {[string first [lindex $l 1] $path] == 0} {
 800                     set ok [lindex $l 0]
 801                     break
 802                 }
 803             }
 804         }
 805         if {!$ok} {
 806             puts "skipped due to robots.txt"
 807             return -1
 808         }
 809     }
 810     if [catch {set sock [socket -async $host $port]}] {
 811         return -1
 812     }
 813     RobotConnect $url $sock
 814
 815     return 0
 816 }
 817
 818 if {![llength [info commands htmlSwitch]]} {
 819     set e [info sharedlibextension]
 820     if {[catch {load ./tclrobot$e}]} {
 821         load tclrobot$e
 822     }
 823 }
 824
 825 set agent "zmbot/0.1"
 826 if {![catch {set os [exec uname -s -r]}]} {
 827     set agent "$agent ($os)"
 828 }
 829
 830 puts "agent: $agent"
 831
 832 proc bgerror {m} {
 833     global errorInfo
 834     puts "BGERROR $m"
 835     puts $errorInfo
 836 }
 837
 838 set robotsRunning 0
 839 set robotSeq 0
 840 set workdir [pwd]
 841 set idletime 60000
 842 set acceptLanguage {}
 843 set debuglevel 0
 844 set status(unvisited) 0
 845 set status(visited) 0
 846 set status(bad) 0
 847 set status(raw) 0
 848
 849
 850 # Rules: allow, deny, url
 851
 852 proc checkrule {type this} {
 853     global alrules
 854     global debuglevel
 855
 856     if {$debuglevel > 3} {
 857         puts "CHECKRULE $type $this"
 858     }
 859     if {[info exist alrules]} {
 860         foreach l $alrules {
 861             if {$debuglevel > 3} {
 862                 puts "consider $l"
 863             }
 864             # consider type
 865             if {[lindex $l 1] != $type} continue
 866             # consider mask (! negates)
 867             set masks [lindex $l 2]
 868             set ok 0
 869             foreach mask $masks {
 870                 if {$debuglevel > 4} {
 871                     puts "consider single mask $mask"
 872                 }
 873                 if {[string index $mask 0] == "!"} {
 874                     set mask [string range $mask 1 end]
 875                     if {[string match $mask $this]}  continue
 876                 } else {
 877                     if {![string match $mask $this]} continue
 878                 }
 879                 set ok 1
 880             }
 881             if {$debuglevel > 4} {
 882                 puts "ok = $ok"
 883             }
 884             if {!$ok} continue
 885             # OK, we have a match
 886             if {[lindex $l 0] == "allow"} {
 887                 if {$debuglevel > 3} {
 888                     puts "CHECKRULE MATCH OK"
 889                 }
 890                 return 1
 891             } else {
 892                 if {$debuglevel > 3} {
 893                     puts "CHECKFULE MATCH FAIL"
 894                 }
 895                 return 0
 896             }
 897         }
 898     }
 899     if {$debuglevel > 3} {
 900         puts "CHECKRULE MATCH OK"
 901     }
 902     return 1
 903 }
 904
 905
 906 proc url {href} {
 907     global debuglevel
 908
 909     if {[RobotHref http://www.indexdata.dk/ href host path]} {
 910         if {![RobotFileExist visited $host $path]} {
 911             set outf [RobotFileOpen unvisited $host $path]
 912             RobotWriteRecord $outf href 0
 913             RobotFileClose $outf
 914         }
 915     }
 916 }
 917
 918 proc deny {type stuff} {
 919     global alrules
 920
 921     lappend alrules [list deny $type $stuff]
 922 }
 923
 924 proc allow {type stuff} {
 925     global alrules
 926
 927     lappend alrules [list allow $type $stuff]
 928 }
 929
 930 proc debug {level} {
 931     global debuglevel
 932
 933     set debuglevel $level
 934 }
 935
 936 # Parse options
 937
 938 set i 0
 939 set l [llength $argv]
 940
 941 if {$l < 2} {
 942     puts {tclrobot: usage:}
 943     puts {tclrobot [-j jobs] [-i idle] [-c count] [-d domain] [-r rules] [url ..]}
 944     puts " Example: -c 3 -d '*.dk' http://www.indexdata.dk/"
 945
 946     exit 1
 947 }
 948 while  {$i < $l} {
 949     set arg [lindex $argv $i]
 950     switch -glob -- $arg {
 951         -j* {
 952             set robotsMax [string range $arg 2 end]
 953             if {![string length $robotsMax]} {
 954                 set robotsMax [lindex $argv [incr i]]
 955             }
 956         }
 957         -c* {
 958             set maxdistance [string range $arg 2 end]
 959             if {![string length $maxdistance]} {
 960                 set maxdistance [lindex $argv [incr i]]
 961             }
 962         }
 963         -d* {
 964             set dom [string range $arg 2 end]
 965             if {![string length $dom]} {
 966                 set dom [lindex $argv [incr i]]
 967             }
 968             lappend domains $dom
 969         }
 970         -i* {
 971             set idletime [string range $arg 2 end]
 972             if {![string length $idletime]} {
 973                 set idletime [lindex $argv [incr i]]
 974             }
 975         }
 976         -l* {
 977             set acceptLanguage [string range $arg 2 end]
 978             if {![string length $acceptLanguage]} {
 979                 set acceptLanguage [lindex $argv [incr i]]
 980             }
 981         }
 982         -r* {
 983             set rfile [string range $arg 2 end]
 984             if {![string length $rfile]} {
 985                 set rfile [lindex $argv [incr i]]
 986             }
 987             source $rfile
 988         }
 989         default {
 990             set href $arg
 991             if {[RobotHref http://www.indexdata.dk/ href host path]} {
 992                 if {![RobotFileExist visited $host $path]} {
 993                     set outf [RobotFileOpen unvisited $host $path]
 994                     RobotWriteRecord $outf href 0
 995                     RobotFileClose $outf
 996                 }
 997             }
 998         }
 999     }
1000     incr i
1001 }
1002
1003 if {![info exist domains]} {
1004     set domains {*}
1005 }
1006 if {![info exist maxdistance]} {
1007     set maxdistance 50
1008 }
1009 if {![info exist robotsMax]} {
1010     set robotsMax 5
1011 }
1012
1013 puts "domains=$domains"
1014 puts "max distance=$maxdistance"
1015 puts "max jobs=$robotsMax"
1016
1017
1018 RobotStart
1019
1020
1021 while {$robotsRunning} {
1022     vwait robotsRunning
1023 }
1024
1025 set statusfile [open status w]
1026 puts $statusfile "$status(unvisited) $status(bad) $status(visited)"
1027 close $statusfile
1028