1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
  
32
  
33
  
34
  
35
  
36
  
37
  
38
  
39
  
40
  
41
  
42
  
43
  
44
  
45
  
46
  
47
  
48
  
49
  
50
  
51
  
52
  
53
  
54
  
55
  
56
  
57
  
58
  
59
  
60
  
61
  
62
  
63
  
64
  
65
  
66
  
67
  
68
  
69
  
70
  
71
  
72
  
73
  
74
  
75
  
76
  
77
  
78
  
79
  
80
  
81
  
82
  
83
  
84
  
85
  
86
  
87
  
88
  
89
  
90
  
91
  
92
  
93
  
94
  
95
  
96
  
97
  
98
  
99
  
100
  
101
  
102
  
103
  
104
  
105
  
106
  
107
  
108
  
109
  
110
  
111
  
112
  
113
  
114
  
115
  
116
  
117
  
118
  
119
  
120
  
121
  
122
  
123
  
124
  
125
  
126
  
127
  
128
  
129
  
130
  
131
  
132
  
133
  
134
  
135
  
136
  
137
  
138
  
139
  
140
  
141
  
142
  
143
  
144
  
145
  
146
  
147
  
148
  
149
  
150
  
151
  
152
  
153
  
154
  
155
  
156
  
157
  
158
  
159
  
160
  
161
  
162
  
163
  
164
  
165
  
166
  
167
  
168
  
169
  
170
  
171
  
172
  
173
  
174
  
175
  
176
  
177
  
178
  
179
  
180
  
181
  
182
  
183
  
184
  
185
  
186
  
187
  
188
  
189
  
190
  
191
  
192
  
193
  
194
  
195
  
196
  
197
  
198
  
199
  
200
  
201
  
202
  
203
  
204
  
205
  
206
  
207
  
208
  
209
  
210
  
211
  
212
  
213
  
214
  
215
  
216
  
217
  
218
  
219
  
220
  
221
  
222
  
223
  
224
  
225
  
226
  
227
  
228
  
229
  
230
  
231
  
232
  
233
  
234
  
235
  
236
  
237
  
238
  
239
  
240
  
241
  
242
  
243
  
244
  
245
  
246
  
247
  
248
  
249
  
250
  
inherit .Base; 
 
Sql.Sql db; 
string url, table; 
 
Web.Crawler.Stats stats; 
Web.Crawler.Policy policy; 
Web.Crawler.RuleSet allow, deny; 
 
inherit Web.Crawler.Queue; 
 
static string to_md5(string url) 
{ 
  object md5 = Crypto.md5(); 
  md5->update(string_to_utf8(url)); 
  return Crypto.string_to_hex(md5->digest()); 
} 
 
void create( Web.Crawler.Stats _stats, 
             Web.Crawler.Policy _policy, 
              
             string _url, string _table, 
              
             void|Web.Crawler.RuleSet _allow, 
             void|Web.Crawler.RuleSet _deny) 
{ 
  stats = _stats;   policy = _policy; 
  allow=_allow;     deny=_deny; 
  table = _table; 
 
  db = Sql.Sql( _url ); 
  perhaps_create_table(  ); 
} 
 
static void perhaps_create_table(  ) 
{ 
  db->query( 
#" 
    create table IF NOT EXISTS "+table+#" ( 
        uri        blob not null, 
        uri_md5    char(32) not null default '', 
        template   varchar(255) not null default '', 
        md5        char(32) not null default '', 
        recurse    tinyint not null, 
        stage      tinyint not null, 
        UNIQUE(uri_md5), 
        INDEX stage   (stage) 
        ) 
    "); 
} 
   
mapping hascache = ([]); 
static int has_uri( string|Standards.URI uri ) 
{ 
  uri = (string)uri; 
  if( sizeof(hascache) > 100000 )  hascache = ([]); 
  return hascache[uri]|| 
    (hascache[uri]= 
     sizeof(db->query("select stage from "+table+" where uri_md5=%s", 
                      to_md5(uri)))); 
} 
 
void add_uri( Standards.URI uri, int recurse, string template, void|int force ) 
{ 
  // The language is encoded in the fragment. 
  Standards.URI r = Standards.URI( (string)uri ); 
  if( r->query )         r->query = normalize_query( r->query ); 
  if(r->query && !strlen(r->query))  r->query = 0; 
 
    // Remove any trailing index filename 
     
  string rpath=reverse(r->path); 
  // FIXME: Make these configurable? 
  foreach( ({"index.xml", "index.html", "index.htm"}), 
           string index) 
    if(search(rpath,reverse(index))==0) 
      rpath=rpath[sizeof(index)..]; 
  r->path=reverse(rpath); 
     
  if( force || check_link(uri, allow, deny) ) 
  { 
    if(has_uri(r)) 
    { 
      // FIXME: 
      // Race condition: 
      // If a url is forced to be indexed *while* it's being indexed, 
      // and it's changed since the indexnig started, setting the stage 
      // to 0 here might be worthless, since it could be overwritten before 
      // it's fetched again. 
      if(force) 
        set_stage(r, 0); 
    } 
    else 
      db->query( "insert into "+table+ 
                 " (uri,uri_md5,recurse,template) values (%s,%s,%d,%s)", 
                 string_to_utf8((string)r), 
                 to_md5((string)r), recurse, (template||"") ); 
  } 
} 
 
void set_md5( Standards.URI uri, string md5 ) 
{ 
  db->query( "update "+table+ 
             " set md5=%s WHERE uri_md5=%s", md5, to_md5((string)uri) ); 
} 
 
mapping(string:mapping(string:string)) extra_data = ([]); 
mapping get_extra( Standards.URI uri ) 
{ 
  if( extra_data[(string)uri] ) 
    return extra_data[(string)uri]; 
  array r = db->query( "SELECT md5,recurse,stage,template " 
                       "FROM "+table+" WHERE uri_md5=%s", to_md5((string)uri) ); 
  if( sizeof( r ) ) 
    return r[0]; 
   
} 
 
static int empty_count; 
static int retry_count; 
   
// cache, for performance reasons. 
static array possible=({}); 
static int p_c; 
   
int|Standards.URI get() 
{ 
  if(stats->concurrent_fetchers() > policy->max_concurrent_fetchers) 
  { 
    return -1; 
  } 
 
  if( sizeof( possible ) <= p_c ) 
  { 
    p_c = 0; 
    possible = db->query( "select * from "+table+" where stage=0 limit 20" ); 
    extra_data = mkmapping( map(possible->uri,utf8_to_string), possible ); 
    possible = map(possible->uri,utf8_to_string); 
  } 
 
  while( sizeof( possible ) > p_c ) 
  { 
    empty_count=0; 
    if( possible[ p_c ] ) 
    { 
      Standards.URI ur = Standards.URI( possible[p_c++] ); 
 
      if( stats->concurrent_fetchers( ur->host ) > 
          policy->max_concurrent_fetchers_per_host ) 
      { 
        retry_count++; 
        continue; // not this host.. 
      } 
      possible[p_c-1] = 0; 
      retry_count=0; 
      set_stage( ur, 1 ); 
      return ur; 
    } 
    p_c++; 
    continue; 
  } 
 
  if( stats->concurrent_fetchers() ) 
  { 
    return -1; 
  } 
  // delay for (quite) a while. 
  if( empty_count++ > 40 ) 
  { 
    if( num_with_stage( 2 ) || num_with_stage( 3 ) ) 
    { 
      empty_count=0; 
      return -1; 
    } 
    return 0; 
  } 
 
  return -1; 
} 
 
void put(string|array(string)|Standards.URI|array(Standards.URI) uri) 
{ 
  if(arrayp(uri)) 
  { 
    foreach(uri, string|object _uri) 
      put(_uri); 
    return; 
  } 
  if(!objectp(uri)) 
    uri=Standards.URI(uri); 
     
  add_uri( uri, 1, 0 ); 
} 
 
void done( Standards.URI uri, 
           int called ) 
{ 
  if( called ) 
    set_stage( uri, 2 ); 
  else 
    set_stage( uri, 5 ); 
} 
 
void clear() 
{ 
  hascache = ([ ]); 
  db->query("delete from "+table); 
} 
 
void remove_uri(string|Standards.URI uri) 
{ 
  db->query("delete from "+table+" where uri_md5=%s", to_md5((string)uri)); 
} 
 
void clear_stage( int ... stages ) 
{ 
  foreach( stages, int s ) 
    db->query( "update "+table+" set stage=0 where stage=%d", s ); 
} 
 
void clear_md5( int ... stages ) 
{ 
  foreach( stages, int s ) 
    db->query( "update "+table+" set md5='' where stage=%d", s ); 
} 
 
int num_with_stage( int ... stage ) 
{ 
  return (int) 
    db->query( "select COUNT(*) as c from "+table+" where stage IN (%s)", 
               ((array(string))stage)*"," )[ 0 ]->c; 
} 
 
void set_stage( Standards.URI uri, 
                int stage ) 
{ 
  db->query( "update "+table+" set stage=%d where uri_md5=%s",stage, 
             to_md5((string)uri)); 
} 
 
int get_stage( Standards.URI uri ) 
{ 
  array a = db->query( "select stage from "+table+" where uri_md5=%s", to_md5((string)uri)); 
  if(sizeof(a)) 
    return (int)a[0]->stage; 
  else 
    return -1; 
}