Besoin d'aide pour algo

**vodevil** · 02/02/2006, 00h09

Kikoo , j'ai un site auquel je souterai adjoindre un moteur de recherche maison , le site est hébergé chez free et si tout vas bien le moi prochain direction ovh .

Voila mon problème j'ai fait un robot pour spider (j'indexe de chez moi) mon site et ses futur sous domaines sachant que mon site pointe vers d'autres comment faire pour ne spider que mon domaine principale et ses sous domaines ?

voici mon bot

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

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
#!/usr/bin/perl -w
use strict;
use URI::URL;
use HTTP::Status;
use HTTP::Request;
use HTTP::Cookies;
use HTTP::Headers;
use HTTP::Response;
use HTML::LinkExtor;
use LWP::RobotUA;
require WWW::RobotRules::AnyDBM_File;
 
 
#...........................................................................#
#                                     Config                                #
#...........................................................................#
 
$| = 1;
 
my $VERSION = "MonRobot/0.1 (+http://dirthangel.free.fr)";
 
my $rules = WWW::RobotRules::AnyDBM_File->new('Mozilla/5.0 (compatible; MonRobot/0.1 +http://dirthangel.free.fr)', 'cachefile');
my $ua = LWP::RobotUA->new('Mozilla/5.0 (compatible; MonRobot/0.1 +http://dirthangel.free.fr)', 'hdd@free.fr', $rules);
   $ua->delay(1/60);
   $ua->host_wait(0);
   $ua->timeout(3);
   $ua->env_proxy;
   $ua->max_redirect(10);
   $ua->protocols_allowed( [ 'http' ] );
   $ua->protocols_forbidden( [ 'file', 'mailto', 'https', 'ftp', 'socks', 'gopher', 'wais' ] );
   $ua->requests_redirectable( [ 'HEAD' ] );
 
my $cookie_jar = HTTP::Cookies->new(
    file => 'MonRobot_cookies.dat',
    autosave => 1,
  );
 
   $ua->cookie_jar($cookie_jar);
 
my $headers = HTTP::Headers->new(
    Accept => [qw(text/html)]
  );
 
   $ua->default_headers($headers);
 
 
my (@web, $find, @push, @webx, @exclude);
 
#...........................................................................#
#                                   "Options"                               #
#...........................................................................#
 
   if (!$ARGV[0]) {
      print "Le robot a été lancé sans arguments :@\n";
      exit(0);
   }
 
   if ($ARGV[0] =~ /^http:\/\//g ) {
        robot(@ARGV);
   }
 
 
#...........................................................................#
#                                  Le robot                                 #
#...........................................................................#
 
sub robot {
  foreach my $url (@_) {
 
     # Fabrication d'une requete
     my $request = HTTP::Request->new('GET', $url);
 
     # Execution de la requete
     my $res = $ua->request($request);
 
     # Etat de la requete
     if ($res->is_success) {
 
          my $code = $res->content;
 
          my $date = date();
 
          my $base = $res->base;
 
          my $content_type = $res->content_type;
 
                my @page = (
                       "$code","$url",
                       "$date", "$content_type",
                );
 
 
                    print "$page[0]\n";
                    print "$page[1]\n";
                    print "$page[2]\n";
                    print "$page[3]\n";
 
                @webx = links($code, $base);
 
     }
      else
     {
        print "Error: " . $res->status_line . "\n";
     }
   }
  if (!@webx) {
    exit(0);
  }
   else
  {
    robot(@webx);
  }
}
 
 
#...........................................................................#
#                            On cherche les liens                           #
#...........................................................................#
 
sub links {
 my ($a, $b) = @_;
    my $p = HTML::LinkExtor->new(\&callback);
       $p->utf8_mode;
       $p->parse($a);
   @web = map { $_ = url($_, $b)->abs; } @web;
 return @web;
}
 
 
#...........................................................................#
#                               Extract links                               #
#...........................................................................#
 
sub callback {
  my($tag, %attr) = @_;
  return if $tag ne 'a';
  push(@web, values %attr);
}
 
 
#...........................................................................#
#                                Date du jour                               #
#...........................................................................#
 
sub date {
  my @tab_date =localtime(time);
  my $jour = $tab_date[3];
  my $mois = ($tab_date[4]+1);
  my $annee =  ($tab_date[5]+1900);
  return ("$jour/$mois/$annee");
}

merci de votre aide

**vodevil** · 05/02/2006, 04h07

Personne n'aurait une petite idée.

**Jedai** · 05/02/2006, 15h33

N'est-il pas évident qu'il suffit de filtrer les urls par une petite regex qui vérifie juste qu'elles sont bien dans ton domaine !

--
Jedaï

**vodevil** · 06/02/2006, 12h14

Certe sa je sais t'en fait pas , mais la question que je me pose en fait c'est comment faire pour que le robot s'arrete de lui meme une fois tout les liens "spider" ?

**Jedai** · 06/02/2006, 13h12

Il faut que tu retiennes les liens que tu as déjà visité, pour ne plus y retourner : utilises un hash.

--
Jedaï

**vodevil** · 07/03/2006, 21h07

Envoyé par Jedai

Il faut que tu retiennes les liens que tu as déjà visité, pour ne plus y retourner : utilises un hash.

--
Jedaï

Certe j'ai fait le coup de hash mais sa ne donne rien de très concluant je me suis fait un site en local pour tester et le résultat et que sa produit quand meme des doublons et le bot ce met a tourner en rond

voila mon code

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

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
#!/usr/bin/perl -w 
use strict; 
use URI::URL; 
use HTTP::Status; 
use HTTP::Request; 
use HTTP::Cookies; 
use HTTP::Headers; 
use HTTP::Response; 
use HTML::LinkExtor; 
use LWP::RobotUA; 
use LWP::Debug;
require WWW::RobotRules::AnyDBM_File; 
 
 
#...........................................................................# 
#                                     Config                                # 
#...........................................................................# 
 
$| = 1; 
 
my $VERSION = "MonRobot/0.1 (+http://dirthangel.free.fr)"; 
 
my $rules = WWW::RobotRules::AnyDBM_File->new('Mozilla/5.0 (compatible; MonRobot/0.1 +http://dirthangel.free.fr)', 'cachefile'); 
my $ua = LWP::RobotUA->new('Mozilla/5.0 (compatible; MonRobot/0.1 +http://dirthangel.free.fr)', 'hdd@free.fr', $rules); 
   $ua->delay(1/60); 
   $ua->host_wait(0); 
   $ua->timeout(3); 
   $ua->env_proxy; 
   $ua->max_redirect(10); 
   $ua->protocols_allowed( [ 'http' ] ); 
   $ua->protocols_forbidden( [ 'file', 'mailto', 'https', 'ftp', 'socks', 'gopher', 'wais' ] ); 
   $ua->requests_redirectable( [ 'HEAD' ] ); 
 
my $cookie_jar = HTTP::Cookies->new( 
    file => 'MonRobot_cookies.dat', 
    autosave => 1, 
  ); 
 
   $ua->cookie_jar($cookie_jar); 
 
my $headers = HTTP::Headers->new( 
    Accept => [qw(text/html)] 
  ); 
 
   $ua->default_headers($headers); 
 
 
my (@web, $find, @push, @webx, @exclude); 
 
#...........................................................................# 
#                                   "Options"                               # 
#...........................................................................# 
 
   if (!$ARGV[0]) { 
      print "Le robot a été lancé sans arguments :@\n"; 
      exit(0); 
   } 
 
   if ($ARGV[0] =~ /^http:\/\//g ) { 
        robot(@ARGV); 
   } 
 
 
#...........................................................................# 
#                                  Le robot                                 # 
#...........................................................................# 
{
 my %deja_vue;
 
sub robot { 
  foreach my $url (@_) { 
 
 if ($url =~ m!^http://[_a-zA-Z0-9-]+\.[_a-zA-Z0-9-]+[.a-zA-Z0-9-]*(/~|/?)[/_.a-zA-Z0-9#?&=+-]*$!i) {
 
 
     # Fabrication d'une requete 
     my $request = HTTP::Request->new('GET', $url) unless exists $deja_vue{$url}; 
 
      # Ajout du lien
      $deja_vue{$url};
 
     # Execution de la requete 
     my $res = $ua->request($request); 
 
     # Debug functions
     LWP::Debug::trace("$res");
 
     # Etat de la requete 
     if ($res->is_success) { 
 
          my $code = $res->content; 
 
          my $date = date(); 
 
          my $base = $res->base; 
 
          my $content_type = $res->content_type; 
 
                my @page = ( 
                       "$code","$url", 
                       "$date", "$content_type", 
                ); 
 
 
                   # print "$page[0]\n"; 
                    print "$page[1]\n"; 
                   # print "$page[2]\n"; 
                   # print "$page[3]\n"; 
 
                @webx = links($code, $base); 
 
     } 
      else 
     { 
        print "Error: " . $res->status_line . "\n"; 
     } 
    } #END
   } 
  if (!@webx) { 
    exit(0); 
  } 
   else 
  { 
    robot(@webx); 
  } 
} 
 
}
 
#...........................................................................# 
#                            On cherche les liens                           # 
#...........................................................................# 
 
sub links { 
 my ($a, $b) = @_; 
    my $p = HTML::LinkExtor->new(\&callback); 
       $p->utf8_mode; 
       $p->parse($a); 
   @web = map { $_ = url($_, $b)->abs; } @web; 
 return @web; 
} 
 
 
#...........................................................................# 
#                               Extract links                               # 
#...........................................................................# 
 
sub callback { 
  my($tag, %attr) = @_; 
  return if $tag ne 'a'; 
  push(@web, values %attr); 
} 
 
 
#...........................................................................# 
#                                Date du jour                               # 
#...........................................................................# 
 
sub date { 
  my @tab_date =localtime(time); 
  my $jour = $tab_date[3]; 
  my $mois = ($tab_date[4]+1); 
  my $annee =  ($tab_date[5]+1900); 
  return ("$jour/$mois/$annee"); 
}

Je commence a désèspéré je trouve pas comment faire pour que le bot ne passe pas deux fois aux meme endroits et ne tourne pas en rond

**Jedai** · 08/03/2006, 07h45

C'est parce que tu ne vides pas @web et @webx.... Tu continue à pusher des valeurs dessus sans jamais les enlever, donc forcément tu ne finis jamais !
Transforme @web et @webx en variable locales et en paramètre de tes fonctions, tant qu'elles sont globales tu prends trop de risque. (sauf si tu changes complètement le modèle de ton bot)

--
Jedaï

**vodevil** · 08/03/2006, 13h35

merci jedai pour tes conseils voici mon nouveau code qui marche

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

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
 
#!/usr/bin/perl -w 
use strict; 
use URI::URL; 
use HTTP::Status; 
use HTTP::Request; 
use HTTP::Cookies; 
use HTTP::Headers; 
use HTTP::Response; 
use HTML::LinkExtor; 
use LWP::RobotUA; 
use LWP::Debug; 
require WWW::RobotRules::AnyDBM_File; 
 
 
#...........................................................................# 
#                                     Config                                # 
#...........................................................................# 
 
$| = 1; 
 
my $VERSION = "MonRobot/0.1 (+http://dirthangel.free.fr)"; 
 
my $rules = WWW::RobotRules::AnyDBM_File->new('Mozilla/5.0 (compatible; MonRobot/0.1 +http://dirthangel.free.fr)', 'cachefile'); 
my $ua = LWP::RobotUA->new('Mozilla/5.0 (compatible; MonRobot/0.1 +http://dirthangel.free.fr)', 'hdd@free.fr', $rules); 
   $ua->delay(1/60); 
   $ua->host_wait(0); 
   $ua->timeout(3); 
   $ua->env_proxy; 
   $ua->max_redirect(10); 
   $ua->protocols_allowed( [ 'http' ] ); 
   $ua->protocols_forbidden( [ 'file', 'mailto', 'https', 'ftp', 'socks', 'gopher', 'wais' ] ); 
   $ua->requests_redirectable( [ 'HEAD' ] ); 
 
my $cookie_jar = HTTP::Cookies->new( 
    file => 'MonRobot_cookies.dat', 
    autosave => 1, 
  ); 
 
   $ua->cookie_jar($cookie_jar); 
 
my $headers = HTTP::Headers->new( 
    Accept => [qw(text/html)] 
  ); 
 
   $ua->default_headers($headers); 
 
 
my ( $find, @push, @exclude); 
# webx, 
# @web,
#...........................................................................# 
#                                   "Options"                               # 
#...........................................................................# 
 
   if (!$ARGV[0]) { 
      print "Le robot a été lancé sans arguments :@\n"; 
      exit(0); 
   } 
 
   if ($ARGV[0] =~ /^http:\/\//g ) { 
        robot(@ARGV); 
   } 
 
#...........................................................................# 
#                                  Le robot                                 # 
#...........................................................................# 
{ 
 my %deja_vue; 
 
sub robot { 
my @webx;
  foreach my $url (@_) { 
 
 if ($url =~ m!^http://[_a-zA-Z0-9-]+\.[_a-zA-Z0-9-]+[.a-zA-Z0-9-]*(/~|/?)[/_.a-zA-Z0-9#?&=+-]*$!i) { 
 
 
     # Fabrication d'une requete 
     my $request = HTTP::Request->new('GET', $url) unless exists $deja_vue{$url}; 
 
      # Ajout du lien 
      $deja_vue{$url}; 
 
     # Execution de la requete 
     my $res = $ua->request($request); 
 
     # Debug functions 
     LWP::Debug::trace("$res"); 
 
     # Etat de la requete 
     if ($res->is_success) { 
 
          my $code = $res->content; 
 
          my $date = date(); 
 
          my $base = $res->base; 
 
          my $content_type = $res->content_type; 
 
                my @page = ( 
                       "$code","$url", 
                       "$date", "$content_type", 
                ); 
 
 
                   # print "$page[0]\n"; 
                    print "$page[1]\n"; 
                   # print "$page[2]\n"; 
                   # print "$page[3]\n"; 
 
                @webx = links($code, $base); 
 
     } 
      else 
     { 
        print "Error: " . $res->status_line . "\n"; 
     } 
    } #END 
   } 
  if (!@webx) { 
    exit(0); 
  } 
   else 
  { 
    robot(@webx); 
  } 
} 
 
}
 
my @web;
#...........................................................................# 
#                            On cherche les liens                           # 
#...........................................................................# 
 
sub links { 
 my ($a, $b) = @_; 
    my $p = HTML::LinkExtor->new(\&callback); 
       $p->utf8_mode; 
       $p->parse($a); 
   @web = map { $_ = url($_, $b)->abs; } @web; 
   my @si = @web;
 @web = ();
 return @si; 
 
} 
 
 
#...........................................................................# 
#                               Extract links                               # 
#...........................................................................# 
 
sub callback { 
  my($tag, %attr) = @_; 
  return if $tag ne 'a'; 
  push(@web, values %attr); 
} 
 
 
#...........................................................................# 
#                                Date du jour                               # 
#...........................................................................# 
 
sub date { 
  my @tab_date =localtime(time); 
  my $jour = $tab_date[3]; 
  my $mois = ($tab_date[4]+1); 
  my $annee =  ($tab_date[5]+1900); 
  return ("$jour/$mois/$annee"); 
}

Ce bot marche parfaitement lui

, mais il reste encore un problème avec html::linkextor je doit déclarer @web en tant que globales et passer par un hack

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
my @si = @web;
 @web = ();
 return @si;

**vodevil** · 08/03/2006, 13h45

C bon j'ai trouvé la soluce pour ce problème de hack c'était tout simple

voila mon nouveau nouveau code

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

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
 
#!/usr/bin/perl -w 
use strict; 
use URI::URL; 
use HTTP::Status; 
use HTTP::Request; 
use HTTP::Cookies; 
use HTTP::Headers; 
use HTTP::Response; 
use HTML::LinkExtor; 
use LWP::RobotUA; 
use LWP::Debug; 
require WWW::RobotRules::AnyDBM_File; 
 
 
#...........................................................................# 
#                                     Config                                # 
#...........................................................................# 
 
$| = 1; 
 
my $VERSION = "MonRobot/0.1 (+http://dirthangel.free.fr)"; 
 
my $rules = WWW::RobotRules::AnyDBM_File->new('Mozilla/5.0 (compatible; MonRobot/0.1 +http://dirthangel.free.fr)', 'cachefile'); 
my $ua = LWP::RobotUA->new('Mozilla/5.0 (compatible; MonRobot/0.1 +http://dirthangel.free.fr)', 'hdd@free.fr', $rules); 
   $ua->delay(1/60); 
   $ua->host_wait(0); 
   $ua->timeout(3); 
   $ua->env_proxy; 
   $ua->max_redirect(10); 
   $ua->protocols_allowed( [ 'http' ] ); 
   $ua->protocols_forbidden( [ 'file', 'mailto', 'https', 'ftp', 'socks', 'gopher', 'wais' ] ); 
   $ua->requests_redirectable( [ 'HEAD' ] ); 
 
my $cookie_jar = HTTP::Cookies->new( 
    file => 'MonRobot_cookies.dat', 
    autosave => 1, 
  ); 
 
   $ua->cookie_jar($cookie_jar); 
 
my $headers = HTTP::Headers->new( 
    Accept => [qw(text/html)] 
  ); 
 
   $ua->default_headers($headers); 
 
 
my ( $find, @push, @exclude); 
# webx, 
# @web,
#...........................................................................# 
#                                   "Options"                               # 
#...........................................................................# 
 
   if (!$ARGV[0]) { 
      print "Le robot a été lancé sans arguments :@\n"; 
      exit(0); 
   } 
 
   if ($ARGV[0] =~ /^http:\/\//g ) { 
        robot(@ARGV); 
   } 
 
#...........................................................................# 
#                                  Le robot                                 # 
#...........................................................................# 
{ 
 my %deja_vue; 
 
sub robot { 
my @webx;
  foreach my $url (@_) { 
 
 if ($url =~ m!^http://[_a-zA-Z0-9-]+\.[_a-zA-Z0-9-]+[.a-zA-Z0-9-]*(/~|/?)[/_.a-zA-Z0-9#?&=+-]*$!i) { 
 
 
     # Fabrication d'une requete 
     my $request = HTTP::Request->new('GET', $url) unless exists $deja_vue{$url}; 
 
      # Ajout du lien 
      $deja_vue{$url}; 
 
     # Execution de la requete 
     my $res = $ua->request($request); 
 
     # Debug functions 
     LWP::Debug::trace("$res"); 
 
     # Etat de la requete 
     if ($res->is_success) { 
 
          my $code = $res->content; 
 
          my $date = date(); 
 
          my $base = $res->base; 
 
          my $content_type = $res->content_type; 
 
                my @page = ( 
                       "$code","$url", 
                       "$date", "$content_type", 
                ); 
 
 
                   # print "$page[0]\n"; 
                    print "$page[1]\n"; 
                   # print "$page[2]\n"; 
                   # print "$page[3]\n"; 
 
                @webx = links($code, $base); 
 
 
     } 
      else 
     { 
        print "Error: " . $res->status_line . "\n"; 
     } 
    } #END 
   } 
  if (!@webx) { 
    exit(0); 
  } 
   else 
  { 
    robot(@webx); 
  } 
} 
 
}
 
 
#...........................................................................# 
#                            On cherche les liens                           # 
#...........................................................................# 
 
sub links {
my @web;
 my $p = HTML::LinkExtor->new(sub {
                               my($tag, %attr) = @_; 
                               return if $tag ne 'a';
                               push(@web, values %attr); 
                             }); 
    $p->utf8_mode; 
    $p->parse($_[0]); 
   @web = map { $_ = url($_, $_[1])->abs; } @web;
 return @web;
}
 
#...........................................................................# 
#                                Date du jour                               # 
#...........................................................................# 
 
sub date { 
  my @tab_date =localtime(time); 
  my $jour = $tab_date[3]; 
  my $mois = ($tab_date[4]+1); 
  my $annee =  ($tab_date[5]+1900); 
  return ("$jour/$mois/$annee"); 
}

Thanks Jedai et a developpez.com

Besoin d'aide pour algo

Langage Perl

Discussions similaires

Partager

Partager