/
go-web-crawler.go
301 lines (272 loc) · 7.44 KB
/
go-web-crawler.go
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
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
// go-web-crawler
package main
import (
"flag"
"fmt"
"io"
"io/ioutil"
"log"
"net/http"
"os"
"strconv"
"time"
"go-web-crawler/pick"
"golang.org/x/net/html/charset"
// "net/smtp"
// "strconv"
"strings"
)
//---- инициализация глобальных типов и переменных
type ListUrl struct {
url string // урл
fdownload int // флаг того что данный урл был загружен для анализа: if 1 then загружен ; if 0 не загружен; if -1 ошибка при загрузке
}
var (
site string
koliter string
)
//---- END инициализация глобальных типов и переменных
// инициализация файла логов
func InitLogFile(namef string) *log.Logger {
file, err := os.OpenFile(namef, os.O_CREATE|os.O_WRONLY|os.O_APPEND, 0666)
if err != nil {
log.Fatalln("Failed to open log file", os.Stderr, ":", err)
}
multi := io.MultiWriter(file, os.Stdout)
LFile := log.New(multi, "Info: ", log.Ldate|log.Ltime|log.Lshortfile)
return LFile
}
//получение страницы из урла url
func gethtmlpage(url string) ([]byte, bool) {
resp, err := http.Get(url)
if err != nil {
fmt.Println("HTTP error:", err)
// panic("HTTP error")
return make([]byte, 0), false
}
defer resp.Body.Close()
// вот здесь и начинается самое интересное
utf8, err := charset.NewReader(resp.Body, resp.Header.Get("Content-Type"))
if err != nil {
fmt.Println("Encoding error:", err)
return make([]byte, 0), false
// panic("Encoding error")
}
body, err := ioutil.ReadAll(utf8)
if err != nil {
fmt.Println("IO error:", err)
return make([]byte, 0), false
// panic("IO error")
}
return body, true
}
//сохранить данные в файл
func Savetofile(namef string, str string) error {
file, err := os.Create(namef) //OpenFile(namef, os.O_CREATE|os.O_WRONLY|os.O_APPEND, 0666)
if err != nil {
// handle the error here
return err
}
defer file.Close()
file.WriteString(str)
return err
}
// получение всех ссылок на страницы
func getLnksfromPage(body []byte) []string {
res := make([]string, 0)
shtml := string(body)
// fmt.Println(shtml)
res, _ = pick.PickAttr(&pick.Option{&shtml, "a", nil}, "href")
return res
}
//выборка из списка урл ll только те которые являются внутренними страницами указанного домена dom
func internalLinksfromSite(ll []string, dom string) []string {
res := make([]string, 0)
for _, v := range ll {
if len(v) > 0 {
if v[0] == '/' {
res = append(res, dom+v)
} else {
if strings.HasPrefix(v, dom) {
res = append(res, v)
}
}
}
}
return res
}
//выборка из списка урл ll только те которые являются внутренними страницами указанного домена dom
func internalLinksfromSiteListUrl(ll []ListUrl, dom string) []ListUrl {
res := make([]ListUrl, 0)
for _, v := range ll {
if len(v.url) > 0 {
if v.url[0] == '/' {
res = append(res, ListUrl{url: dom + v.url, fdownload: 0})
} else {
if strings.HasPrefix(v.url, dom) {
res = append(res, ListUrl{url: v.url, fdownload: 0})
}
}
}
}
return res
}
//возвращает массив строк которые получается при сравнении массивов list1 и list2
//и если нет строки из list2 в массиве list1
func UniqLinks(list1 []string, list2 []string) []string {
res := make([]string, 0)
for _, v2 := range list2 {
f := false
for _, v1 := range list1 {
if v1 == v2 { //strings.Compare(v1, v2) == 0 {
f = true
break
}
}
if f != true {
res = append(res, v2)
f = false
}
}
return res
}
//возвращает массив строк которые получается при сравнении массивов list1 и list2
//и если нет строки из list2 в массиве list1
func UniqLinks2(list1 []ListUrl, list2 []ListUrl) []ListUrl {
res := make([]ListUrl, 0)
for _, v2 := range list2 {
f := false
for _, v1 := range list1 {
if v1.url == v2.url { // && (v1.fdownload == v2.fdownload) { //strings.Compare(v1, v2) == 0 {
f = true
break
}
}
if f != true {
res = append(res, v2)
f = false
}
}
return res
}
func AddtoEndList(l1 []string, l2 []string) []string {
res := l1
for _, v := range l2 {
res = append(res, v)
}
return res
}
func AddtoEndList2(l1 []ListUrl, l2 []ListUrl) []ListUrl {
res := l1
for _, v := range l2 {
res = append(res, v)
}
return res
}
//удаление повторов в массиве
func delPovtor(l []string) []string {
var f bool
res := make([]string, 0)
for i := 0; i < len(l); i++ {
f = true
for j := 0; j < i; j++ {
if l[i] == l[j] {
f = false
break
}
}
if f {
res = append(res, l[i])
f = true
}
}
return res
}
//удаление повторов в массиве
func delPovtor2(l []ListUrl) []ListUrl {
var f bool
res := make([]ListUrl, 0)
for i := 0; i < len(l); i++ {
f = true
for j := 0; j < i; j++ {
if l[i].url == l[j].url { // && (l[i].fdownload == l[j].fdownload) {
f = false
break
}
}
if f {
res = append(res, l[i])
f = true
}
}
return res
}
//-----------------
// функция парсинга аргументов программы
func parse_args() bool {
flag.StringVar(&site, "site", "", "Урл который нужно парсить для получения внутренних ссылок .")
flag.StringVar(&koliter, "koliter", "", "Количества итераций для выкачивания .")
flag.Parse()
if site == "" {
site = "http://echo.msk.ru"
}
if koliter == "" {
koliter = "10"
}
return true
}
//-----------------
func main() {
fmt.Println("Start Programm..")
if !parse_args() {
return
}
myurl := site
ckoliter, _ := strconv.Atoi(koliter)
timestart := time.Now().String()
// flagEnd := false // флаг окончания выгрузки
lurl := make([]ListUrl, 0) // make([]string, 0)
lurl = append(lurl, ListUrl{url: myurl, fdownload: 0})
c := 0
for {
if (c == ckoliter) || (c > len(lurl)-1) {
break
} else {
fmt.Print("c= ", c)
body, errs := gethtmlpage(lurl[c].url)
if errs {
lurl[c].fdownload = 1 // обработан url
listlinks := getLnksfromPage(body)
listlinksurl := make([]ListUrl, 0)
for _, vv := range listlinks {
listlinksurl = append(listlinksurl, ListUrl{url: vv, fdownload: 0})
}
// fmt.Println(listlinks)
listnew := internalLinksfromSiteListUrl(listlinksurl, myurl)
// listnew2 := UniqLinks2(lurl, listnew)
lurl = AddtoEndList2(lurl, listnew)
lurl = delPovtor2(lurl)
fmt.Println(" len(lurl)= ", len(lurl))
} else {
lurl[c].fdownload = -1 // обработан url была ошибка
}
c++
}
}
fmt.Println("c= ", c)
fmt.Println("len(lurl)= ", len(lurl))
lurl = delPovtor2(lurl)
fmt.Println("после удаления дубликатов - len(lurl)= ", len(lurl))
s := ""
for _, v := range lurl {
s += v.url + ";" + strconv.Itoa(v.fdownload) + "\n"
}
timeend := time.Now().String()
fmt.Println("Time Start...", timestart)
fmt.Println("Time End...", timeend)
fmt.Println("Start save result...")
Savetofile("result.csv", s)
fmt.Println("End save result...")
fmt.Println("End Programm..")
// fmt.Println(lurl)
}