Comment optimisé ce script

**mobscene** · 30/08/2005, 05h55

Bonjour j'ai un web crawler que je cherche a optimisé pour me rapprocher le plus possible de ces capacités de base

voici le crawler tel qu'il est a la base pas beau mais super rapide et super stable

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
#!/usr/bin/perl -w
use strict;
use warnings;
 
my $VERSION = "0.8";
 
use LWP::UserAgent;
use HTML::LinkExtor;
use URI::URL;
 
$| = 1;
 
sub spider (%);
 
spider URL => '$url';
 
sub spider (%) {
	my %args = @_;
 
	my @startlinks = ("http://clubic.com");
 
	push(@startlinks, $args{URL});
 
	my $ua = LWP::UserAgent->new;
 
         $ua->agent('Mozilla/4.0 (compatible)');
 
	WORKLOOP: while (my $link = shift @startlinks) {
 
		for (my $i = 0; $i< $#startlinks; $i++) {
			next WORKLOOP if $link eq $startlinks[$i];
		}
		print ">>>>> working on $link\n";
	        HTML::LinkExtor->new(
          	  sub {
			my ($t, %a) = @_;
			my @links = map { url($_, $link)->abs() }
			grep { defined } @a{qw/href img/};
 
			foreach my $start_link (@startlinks) {
				my $i = 0;
				for (0 .. $#links) {
					if ($links[$i++] eq $start_link) {
						$links[$i -1] = "'REMOVE'";
					}
				}
			}
 
			@links = sort @links;
			for (my $i = 0; $i< $#links; $i++) {
				$links[$i] = "'REMOVE'" if $links[$i] eq $links[$i +1];
			}
			@links = grep { $_ ne "'REMOVE'" } @links;
 
			print "+ $_\n" foreach @links;
 
			push @startlinks, @links if @links;
          	  } ) -> parse(
           	  do {
               		my $r = $ua->simple_request
                 	(HTTP::Request->new("GET", $link));
               		$r->content_type eq "text/html" ? $r->content : "";
           	  }
         	)
	}
}

J'ai ajouté quelque fonctions a ce robot ce qui la fait devenire un monstre stable mais moins rapide et presque illisible

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
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
#!/usr/bin/perl
use strict; 
use LWP::UserAgent;
use HTML::LinkExtor;
use URI::URL;
use HTTP::Request;
use HTTP::Response;
use HTTP::Size;
use POSIX;
 
my $VERSION = "0.8";
 
$| = 1;
 
#**************************************
# Ont entre sur le net par la
#**************************************
 
my @startlinks = (
                   "http://clubic.com"
                 );
 
 
#**************************************
# Configuration
#**************************************
 
my $ua = LWP::UserAgent->new;
   $ua->agent('Mozilla/4.0 (compatible)');
   $ua->protocols_allowed( ['http'] );
   $ua->timeout(4);
   $ua->requests_redirectable( ['HEAD'] );
   $ua->max_redirect(5);
   $ua->protocols_forbidden( [ 'mailto', 'https', 'gopher', 'ftp', 'socks', 'file' ] );
 
#**************************************
# Le robot
#**************************************
 
sub spider (%);
 
spider URL => '$url';
 
sub spider (%) {
 
    my %args = @_;
 
    push( @startlinks, $args{URL} );
 
      WORKLOOP: while ( my $link = shift @startlinks ) {
 
        for ( my $i = 0 ; $i < $#startlinks ; $i++ ) {
            next WORKLOOP if $link eq $startlinks[$i];
        }
 
        HTML::LinkExtor->new(
            sub {
                my ( $t, %a ) = @_;
                my @links = map { url( $_, $link )->abs() } grep { defined } @a{qw/href img/};
 
                foreach my $start_link (@startlinks) {
                    my $i = 0;
                    for ( 0 .. $#links ) {
                        if ( $links[ $i++ ] eq $start_link ) {
                            $links[ $i - 1 ] = "'REMOVE'";
                        }
                    }
                }
 
                @links = sort @links;
                for ( my $i = 0 ; $i < $#links ; $i++ ) {
                    $links[$i] = "'REMOVE'" if $links[$i] eq $links[ $i + 1 ];
                }
                @links = grep { $_ ne "'REMOVE'" } @links;
 
                #  Ici commence mon code              
                @links = allow(@links);
                my $nouveau_liens = join( "", @links );
                   my $request = HTTP::Request->new( 'GET', $nouveau_liens );
                    my $res = $ua->request($request);
 
                    if ( $res->is_success )
                    {
                        my $code = $res->content;
 
                          my $date = date();
 
                          my $taille = taille($nouveau_liens);
 
                        my %html = (
 
                            resultat => [ 
 
                                         "$nouveau_liens", "$code",
                                         "$date", "$taille ko"
 
 
                                        ]
 
                        );
 
                         print "$html{'resultat'}->[0]\n";
                         print "$html{'resultat'}->[1]\n";
                         print "$html{'resultat'}->[2]\n";
                         print "$html{'resultat'}->[3]\n";
 
 
                    }
 
                }
                # Il fini la 
 
 
 
                push @startlinks, @links if @links;
            }
          )->parse(
            do {
                my $r = $ua->simple_request( HTTP::Request->new( "GET", $link ) );
                $r->content_type eq "text/html" ? $r->content : "";
              }
          );
    }
}
 
#**************************************
# Suppréssion des extensions interdites
#**************************************
 
use Regexp::Assemble;
{
    my $re;
 
    sub allow {
        if ( not $re ) {
            my $r = Regexp::Assemble->new;
            $r->add("\\.$_\$") for
              qw/
                 htm asp aspx nux mspx cfm html xhtml jhtml php php3
                 php4 shtml jsp php4 php5 pm shtm jpg jpeg png gif
                 xls rtf doc pdf
              /;
            $re = $r->re;
        }
 
        return grep { /$re/ } @_;
    }
}
 
 
#**********************************
# Ont cherche la date
#**********************************
 
sub date
{
    my (@date);
    my ( $an, $jour, $mois ) = ( '', '', '' );
    @date = gmtime( time() );
    if ( length( $date[5] ) == 2 )
    {
        if ( $date[5] > 70 ) { $an = '19'; }
        else { $an = '20'; }
    }
    if ( length( $date[5] ) == 3 ) { $date[5] = $date[5] + 1900; }
    if ( length( $date[5] ) == 4 ) { }
    $an .= $date[5];
    $jour = $date[3];
    if ( length($jour) == 1 ) { $jour = '0' . $jour }
    $mois = $date[4];
    $mois++;
    if ( length($mois) == 1 ) { $mois = '0' . $mois }
  return ("$jour/$mois/$an");
}
 
 
#**********************************
# Calcul de la taille
#**********************************
 
sub taille
{
 my $url = join("", @_);
 
      my $size = HTTP::Size::get_size( $url );
 
      if (defined $size)
      {
            my $resultat = $size/1024;
               $resultat = floor($resultat);
 
         return $resultat;
 
      } else {
 
         return "inconnue";
 
      }
}

En fait j'aimerais pourvoir le séparer en plusieur sous programme pour pouvoir y ajouté les threads threads::queue avec votre aide , et aussi le support des fihciers robots.txt

Je suis ouvert a toutes suggestion

(ne me parler pas de www::robot mon robot est a but expérimentale heu enfin quand il seras fini)

Merci d'avance

**vodevil** · 30/08/2005, 13h25

Voici ma tite modif a moi

use LWP::RobotUA;

my $ua = LWP::RobotUA->new('Mozilla/4.0 (compatible)', '????@noon.com');
$ua->delay(100/60);
$ua->protocols_allowed( ['http'] );
$ua->timeout(4);
$ua->requests_redirectable( ['HEAD'] );
$ua->max_redirect(5);
$ua->protocols_forbidden( [ 'mailto', 'https', 'gopher', 'ftp', 'socks', 'file' ] );

Mais sa stop ton script

pourtant c'est bien comme sa que l'on doit l'utiliser

:

De plus comme tu utilise HTTP::Response tu pourrais virer ce sous porg

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
use Regexp::Assemble;
{
    my $re;
 
    sub allow {
        if ( not $re ) {
            my $r = Regexp::Assemble->new;
            $r->add("\\.$_\$") for
              qw/
                 htm asp aspx nux mspx cfm html xhtml jhtml php php3
                 php4 shtml jsp php4 php5 pm shtm jpg jpeg png gif
                 xls rtf doc pdf
              /;
            $re = $r->re;
        }
 
        return grep { /$re/ } @_;
    }
}

car tu utiliserais directement $res->header pour garder ou nom une extension

De plus ton script est toujours aussi rapide qu'avant mais comme tu fait

push @startlinks, @links if @links;

en fin de script et que tu met

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
#  Ici commence mon code             
                @links = allow(@links);
                my $nouveau_liens = join( "", @links );
                   my $request = HTTP::Request->new( 'GET', $nouveau_liens );
                    my $res = $ua->request($request);
 
                    if ( $res->is_success )
                    {
                        my $code = $res->content;
 
                          my $date = date();
 
                          my $taille = taille($nouveau_liens);
 
                        my %html = (
 
                            resultat => [
 
                                         "$nouveau_liens", "$code",
                                         "$date", "$taille ko"
 
 
                                        ]
 
                        );
 
                         print "$html{'resultat'}->[0]\n";
                         print "$html{'resultat'}->[1]\n";
                         print "$html{'resultat'}->[2]\n";
                         print "$html{'resultat'}->[3]\n";
 
 
                    }
 
                }
                # Il fini la

Moi je ferais sa

#*********************************
# Ici commence mon code
#*********************************

for my $nouveau_liens (@links)
{

$nouveau_liens = allow($nouveau_liens);
my $request = HTTP::Request->new( 'GET', $nouveau_liens );
my $res = $ua->request($request);

if ( $res->is_success )
{
my $code = $res->content;

my $date = date();

my $taille = taille($nouveau_liens);

my %html = (

resultat => [

"$nouveau_liens", "$code",
"$date", "$taille ko"

]

);

print "$html{'resultat'}->[0]\n";
print "$html{'resultat'}->[1]\n";
print "$html{'resultat'}->[2]\n";
print "$html{'resultat'}->[3]\n";

}

}
}
#************************
# Il fini la
#************************

**sigeme** · 31/08/2005, 12h35

Je connais ce script

il marche a merveille c'est vraie mais si tu compte mettre threads::queue laisse temobé c'est tout bonnment impossible , je te conseille de faire un utre script il y a un qui traine sur ce forum d'ailleur qui est beacoup plus performant (si tu vire les threads) , il ne tersteras plus qu'a lui apporté tes sous prog pour faire quelque chose d'assez complet. En plus il est facile de la faire travailler a la chaine.

Comment optimisé ce script

Langage Perl

Discussions similaires

Partager

Partager