Annotation of libwww/Robot/src/HTRobot.c, revision 1.70

1.1       frystyk     1: /*                                                                  HTRobot.c
                      2: **     W3C MINI ROBOT
                      3: **
                      4: **     (c) COPRIGHT MIT 1995.
                      5: **     Please first read the full copyright statement in the file COPYRIGH.
                      6: **
                      7: **     This program illustrates how to travers links using the Anchor object
                      8: **
                      9: **  Authors:
                     10: **     HFN             Henrik Frystyk Nielsen, (frystyk@w3.org)
                     11: **
                     12: **  History:
                     13: **     Dec 04 95       First version
                     14: */
                     15: 
                     16: #include "WWWLib.h"                          /* Global Library Include file */
                     17: #include "WWWApp.h"                                    /* Application stuff */
1.17      frystyk    18: #include "WWWTrans.h"
1.10      frystyk    19: #include "WWWInit.h"
1.9       frystyk    20: 
1.4       frystyk    21: #include "HText.h"
1.1       frystyk    22: 
                     23: #include "HTRobot.h"                                    /* Implemented here */
                     24: 
1.58      frystyk    25: #ifdef HT_POSIX_REGEX
1.64      frystyk    26: #ifdef HAVE_RXPOSIX_H
                     27: #include <rxposix.h>
                     28: #else
1.62      frystyk    29: #ifdef HAVE_REGEX_H
                     30: #include <regex.h>
                     31: #endif
                     32: #endif
1.60      frystyk    33: #define        W3C_REGEX_FLAGS         (REG_EXTENDED | REG_NEWLINE)
1.58      frystyk    34: #endif
                     35: 
1.14      frystyk    36: #ifndef W3C_VERSION
1.33      eric       37: #define W3C_VERSION            "Unspecified"
1.1       frystyk    38: #endif
                     39: 
                     40: #define APP_NAME               "W3CRobot"
1.14      frystyk    41: #define APP_VERSION            W3C_VERSION
1.62      frystyk    42: #define COMMAND_LINE           "http://www.w3.org/Robot/User/CommandLine"
1.1       frystyk    43: 
                     44: #define DEFAULT_OUTPUT_FILE    "robot.out"
                     45: #define DEFAULT_RULE_FILE      "robot.conf"
1.58      frystyk    46: #define DEFAULT_LOG_FILE               "log-clf.txt"
                     47: #define DEFAULT_HIT_FILE               "log-hit.txt"
1.64      frystyk    48: #define DEFAULT_REL_FILE       "log-rel.txt"
1.63      frystyk    49: #define DEFAULT_LM_FILE        "log-lastmodified.txt"
                     50: #define DEFAULT_TITLE_FILE             "log-title.txt"
1.58      frystyk    51: #define DEFAULT_REFERER_FILE           "log-referer.txt"
                     52: #define DEFAULT_REJECT_FILE    "log-reject.txt"
                     53: #define DEFAULT_NOTFOUND_FILE          "log-notfound.txt"
                     54: #define DEFAULT_CONNEG_FILE    "log-conneg.txt"
1.60      frystyk    55: #define DEFAULT_NOALTTAG_FILE          "log-alt.txt"
1.58      frystyk    56: #define DEFAULT_FORMAT_FILE    "log-format.txt"
1.60      frystyk    57: #define DEFAULT_CHARSET_FILE   "log-charset.txt"
1.51      frystyk    58: #define DEFAULT_MEMLOG         "robot.mem"
1.55      frystyk    59: #define DEFAULT_PREFIX         ""
1.59      frystyk    60: #define DEFAULT_IMG_PREFIX     ""
1.7       frystyk    61: #define DEFAULT_DEPTH          0
1.53      frystyk    62: #define DEFAULT_DELAY          50                      /* Write delay in ms */
1.1       frystyk    63: 
1.68      frystyk    64: #define DEFAULT_SQL_SERVER     "localhost"
                     65: #define DEFAULT_SQL_DB         "webbot"
                     66: #define DEFAULT_SQL_USER       "webbot"
                     67: #define DEFAULT_SQL_PW         ""
                     68: 
1.51      frystyk    69: #if 0
1.65      frystyk    70: #define HT_MEMLOG              /* Is expensive in performance! */
1.51      frystyk    71: #endif
                     72: 
1.46      eric       73: /* #define SHOW_MSG            (WWWTRACE || HTAlert_interactive()) */
1.62      frystyk    74: #define SHOW_QUIET(mr)         ((mr) && !((mr)->flags & MR_QUIET))
                     75: #define SHOW_REAL_QUIET(mr)    ((mr) && !((mr)->flags & MR_REAL_QUIET))
1.1       frystyk    76: 
1.66      frystyk    77: #define DEFAULT_TIMEOUT                50000                  /* timeout in millis */
1.1       frystyk    78: 
                     79: #if defined(__svr4__)
                     80: #define CATCH_SIG
                     81: #endif
                     82: 
                     83: typedef enum _MRFlags {
1.45      frystyk    84:     MR_IMG             = 0x1,
                     85:     MR_LINK            = 0x2,
                     86:     MR_PREEMPTIVE      = 0x4,
                     87:     MR_TIME            = 0x8,
1.46      eric       88:     MR_SAVE            = 0x10,
1.48      frystyk    89:     MR_QUIET           = 0x20,
1.62      frystyk    90:     MR_REAL_QUIET      = 0x40,
                     91:     MR_VALIDATE                = 0x80,
                     92:     MR_END_VALIDATE    = 0x100,
1.63      frystyk    93:     MR_KEEP_META       = 0x200,
                     94:     MR_LOGGING         = 0x400,
                     95:     MR_DISTRIBUTIONS   = 0x800
1.1       frystyk    96: } MRFlags;
                     97: 
                     98: typedef struct _Robot {
1.2       frystyk    99:     int                        depth;                       /* How deep is our tree */
1.30      frystyk   100:     int                        cnt;                            /* Count of requests */
1.2       frystyk   101:     HTList *           hyperdoc;            /* List of our HyperDoc Objects */
1.4       frystyk   102:     HTList *           htext;                  /* List of our HText Objects */
1.34      eric      103:     HTList *           fingers;
1.59      frystyk   104: 
1.40      frystyk   105:     int                timer;
1.65      frystyk   106:     char *             cwd;                    /* Current dir URL */
1.1       frystyk   107:     char *             rules;
1.55      frystyk   108:     char *             prefix;
1.59      frystyk   109:     char *             img_prefix;
                    110: 
1.60      frystyk   111:     char *             logfile;                /* clf log */
1.55      frystyk   112:     HTLog *             log;
1.60      frystyk   113:     char *             reffile;                /* referer log */
1.57      frystyk   114:     HTLog *             ref;
1.60      frystyk   115:     char *             rejectfile;             /* unchecked links */
1.58      frystyk   116:     HTLog *            reject;
1.60      frystyk   117:     char *             notfoundfile;           /* links that returned 404 */
1.58      frystyk   118:     HTLog *            notfound;
1.60      frystyk   119:     char *             connegfile;             /* links that were conneg'ed */
1.58      frystyk   120:     HTLog *            conneg;
1.60      frystyk   121:     char *             noalttagfile;           /* images without alt tags*/
                    122:     HTLog *            noalttag;
                    123: 
                    124:     char *             hitfile;                /* links sorted after hit counts */
1.64      frystyk   125:     char *             relfile;                /* link sorted after relationships */
                    126:     HTLinkType         relation;               /* Specific relation to look for */
1.63      frystyk   127:     char *             titlefile;              /* links with titles */
1.60      frystyk   128:     char *             mtfile;                 /* media types encountered */
                    129:     char *             charsetfile;            /* charsets encountered */
1.63      frystyk   130:     char *             lmfile;                 /* sortef after last modified dates */
1.60      frystyk   131: 
                    132:     char *             outputfile;             
1.1       frystyk   133:     FILE *             output;
1.59      frystyk   134: 
1.1       frystyk   135:     MRFlags            flags;
1.55      frystyk   136: 
1.59      frystyk   137:     long               get_bytes;      /* Total number of bytes processed using GET*/
                    138:     long                get_docs;      /* Total number of documents using GET */
                    139: 
                    140:     long               head_bytes;     /* bytes processed bytes processed using HEAD */
                    141:     long                head_docs;     /* Total number of documents using HEAD*/
                    142: 
                    143:     long               other_docs;
                    144: 
1.56      frystyk   145:     ms_t               time;           /* Time of run */
1.58      frystyk   146: 
                    147: #ifdef HT_POSIX_REGEX
                    148:     regex_t *          include;
                    149:     regex_t *          exclude;
                    150:     regex_t *          check;
                    151: #endif
                    152: 
1.68      frystyk   153: #ifdef HT_MYSQL
                    154:     HTSQLLog *         sqllog;
                    155:     char *             sqlserver;
                    156:     char *             sqldb;
                    157:     char *             sqluser;
                    158:     char *             sqlpw;
                    159:     char *             sqlrelative;
                    160:     BOOL               sqlexternals;
                    161:     int                        sqlflags;
                    162: #endif
                    163: 
1.1       frystyk   164: } Robot;
1.34      eric      165: 
                    166: typedef struct _Finger {
                    167:     Robot * robot;
                    168:     HTRequest * request;
                    169:     HTParentAnchor * dest;
                    170: } Finger;
                    171: 
1.1       frystyk   172: typedef enum _LoadState {
                    173:     L_INVALID  = -2,
                    174:     L_LOADING  = -1,
                    175:     L_SUCCESS  = 0,
                    176:     L_ERROR
                    177: } LoadState;
                    178: 
                    179: /*
                    180: **  The HyperDoc object is bound to the anchor and contains information about
                    181: **  where we are in the search for recursive searches
                    182: */
                    183: typedef struct _HyperDoc {
                    184:     HTParentAnchor *   anchor;
                    185:     LoadState          state;
                    186:     int                        depth;
1.55      frystyk   187:     int                 hits;
1.1       frystyk   188: } HyperDoc;
                    189: 
                    190: /*
1.65      frystyk   191: ** This is the HText object that is created every time we start parsing an 
1.1       frystyk   192: ** HTML object
                    193: */
1.4       frystyk   194: struct _HText {
1.1       frystyk   195:     HTRequest *                request;
1.65      frystyk   196:     BOOL               follow;
1.4       frystyk   197: };
1.1       frystyk   198: 
1.58      frystyk   199: /*
                    200: **  A structure for calculating metadata distributions
                    201: */
                    202: typedef struct _MetaDist {
                    203:     HTAtom *           name;
                    204:     int                        hits;
                    205: } MetaDist;
                    206: 
                    207: /*
                    208: **  Some sorting algorithms
                    209: */
1.63      frystyk   210: PRIVATE HTComparer HitSort, FormatSort, LastModifiedSort, TitleSort;
1.58      frystyk   211: 
1.1       frystyk   212: PUBLIC HText * HTMainText = NULL;
                    213: PUBLIC HTParentAnchor * HTMainAnchor = NULL;
                    214: PUBLIC HTStyleSheet * styleSheet = NULL;
                    215: 
                    216: /* ------------------------------------------------------------------------- */
                    217: 
1.13      eric      218: /*     Standard (non-error) Output
                    219: **     ---------------------------
                    220: */
                    221: PUBLIC int OutputData(const char  * fmt, ...)
                    222: {
                    223:     int ret;
                    224:     va_list pArgs;
                    225:     va_start(pArgs, fmt);
                    226:     ret = vfprintf(stdout, fmt, pArgs);
                    227:     va_end(pArgs);
                    228:     return ret;
                    229: }
                    230: 
                    231: /* ------------------------------------------------------------------------- */
                    232: 
1.2       frystyk   233: /*     Create a "HyperDoc" object
                    234: **     --------------------------
                    235: **     A HyperDoc object contains information about whether we have already
                    236: **     started checking the anchor and the depth in our search
                    237: */
                    238: PRIVATE HyperDoc * HyperDoc_new (Robot * mr,HTParentAnchor * anchor, int depth)
                    239: {
                    240:     HyperDoc * hd;
1.14      frystyk   241:     if ((hd = (HyperDoc *) HT_CALLOC(1, sizeof(HyperDoc))) == NULL)
                    242:        HT_OUTOFMEM("HyperDoc_new");
1.2       frystyk   243:     hd->state = L_INVALID;
                    244:     hd->depth = depth;
1.55      frystyk   245:     hd->hits = 1;
1.2       frystyk   246:  
                    247:     /* Bind the HyperDoc object together with the Anchor Object */
                    248:     hd->anchor = anchor;
                    249:     HTAnchor_setDocument(anchor, (void *) hd);
                    250: 
                    251:     /* Add this HyperDoc object to our list */
                    252:     if (!mr->hyperdoc) mr->hyperdoc = HTList_new();
                    253:     HTList_addObject(mr->hyperdoc, (void *) hd);
                    254:     return hd;
                    255: }
                    256: 
                    257: /*     Delete a "HyperDoc" object
                    258: **     --------------------------
                    259: */
                    260: PRIVATE BOOL HyperDoc_delete (HyperDoc * hd)
                    261: {
                    262:     if (hd) {
1.11      frystyk   263:        HT_FREE (hd);
1.2       frystyk   264:        return YES;
                    265:     }
                    266:     return NO;
                    267: }
                    268: 
1.55      frystyk   269: /*
                    270: **  Sort the anchor array and log reference count
                    271: */
                    272: PRIVATE BOOL calculate_hits (Robot * mr, HTArray * array)
                    273: {
                    274:     if (mr && array) {
                    275:         HTLog * log = HTLog_open(mr->hitfile, YES, YES);
                    276:         if (log) {
                    277:             void ** data = NULL;
                    278:             HTParentAnchor * anchor = NULL;
                    279:             HTArray_sort(array, HitSort);
                    280:             anchor = (HTParentAnchor *) HTArray_firstObject(array, data);
                    281:            while (anchor) {
                    282:                 char * uri = HTAnchor_address((HTAnchor *) anchor);
                    283:                 HyperDoc * hd = (HyperDoc *) HTAnchor_document(anchor);
1.63      frystyk   284:                 if (uri && hd) HTLog_addText(log, "%8d %s\n", hd->hits, uri);
1.55      frystyk   285:                 HT_FREE(uri);
                    286:                 anchor = (HTParentAnchor *) HTArray_nextObject(array, data);
                    287:             }
                    288:        }
                    289:         HTLog_close(log);
                    290:         return YES;
                    291:     }
                    292:     return NO;
                    293: }
                    294: 
                    295: PRIVATE int HitSort (const void * a, const void * b)
                    296: {
                    297:     HyperDoc * aa = HTAnchor_document(*(HTParentAnchor **) a);
                    298:     HyperDoc * bb = HTAnchor_document(*(HTParentAnchor **) b);
                    299:     if (aa && bb) return (bb->hits - aa->hits);
                    300:     return bb - aa;
                    301: }
                    302: 
1.58      frystyk   303: /*
1.64      frystyk   304: **  Sort the anchor array and log link relations
                    305: */
                    306: PRIVATE BOOL calculate_linkRelations (Robot * mr, HTArray * array)
                    307: {
                    308:     if (mr && array) {
1.68      frystyk   309:         HTLog * log = mr->relfile ? HTLog_open(mr->relfile, YES, YES) : NULL;
                    310:        void ** data = NULL;
                    311:        HTParentAnchor * anchor = NULL;
                    312:        anchor = (HTParentAnchor *) HTArray_firstObject(array, data);
                    313:        while (anchor) {
                    314: 
                    315:            /*
                    316:            **  If we have a specific link relation to look for then do this.
                    317:            **  Otherwise look for all link relations.
                    318:            */
                    319:            if (mr->relation) {
                    320:                HTLink * link = HTAnchor_findLinkType((HTAnchor *) anchor, mr->relation);
                    321:                if (link) {
                    322:                    HTParentAnchor * dest = HTAnchor_parent(HTLink_destination(link));
                    323:                    char * src_uri = HTAnchor_address((HTAnchor *) anchor);
                    324:                    char * dest_uri = HTAnchor_address((HTAnchor *) dest);
                    325:                    if (src_uri && dest_uri) {
                    326: #ifdef HT_MYSQL
                    327:                        if (mr->sqllog) {
                    328:                            HTSQLLog_addLinkRelationship (mr->sqllog,
                    329:                                                          src_uri, dest_uri,
                    330:                                                          HTAtom_name(mr->relation),
                    331:                                                          NULL);
                    332:                        }
                    333: #endif
                    334:                        if (log) {
                    335:                            HTFormat format = HTAnchor_format(dest);
                    336:                            HTLog_addText(log, "%s %s %s --> %s\n",
                    337:                                          HTAtom_name(mr->relation),
                    338:                                          format != WWW_UNKNOWN ?
                    339:                                          HTAtom_name(format) : "<unknown>",
                    340:                                          src_uri, dest_uri);
                    341:                        }
                    342: 
                    343:                        /* Cleanup */
                    344:                        HT_FREE(src_uri);
                    345:                        HT_FREE(dest_uri);
                    346:                    }
                    347:                }
                    348:            } else {
                    349:                HTLink * link = HTAnchor_mainLink((HTAnchor *) anchor);
                    350:                HTList * sublinks = HTAnchor_subLinks((HTAnchor *) anchor);
                    351:                char * src_uri = HTAnchor_address((HTAnchor *) anchor);
                    352:                HTLinkType linktype;
                    353: 
                    354:                /* First look in the main link */
                    355:                if (link && (linktype = HTLink_type(link))) {               
                    356:                    HTParentAnchor * dest = HTAnchor_parent(HTLink_destination(link));
                    357:                    char * dest_uri = HTAnchor_address((HTAnchor *) dest);
                    358:                    if (src_uri && dest_uri) {
                    359: #ifdef HT_MYSQL
                    360:                        if (mr->sqllog) {
                    361:                            HTSQLLog_addLinkRelationship (mr->sqllog,
                    362:                                                          src_uri, dest_uri,
                    363:                                                          HTAtom_name(linktype),
                    364:                                                          NULL);
                    365:                        }
                    366: #endif
                    367:                        if (log) {
                    368:                            HTFormat format = HTAnchor_format(dest);
                    369:                            HTLog_addText(log, "%s %s %s --> %s\n",
                    370:                                          HTAtom_name(linktype),
                    371:                                          format != WWW_UNKNOWN ?
                    372:                                          HTAtom_name(format) : "<unknown>",
                    373:                                          src_uri, dest_uri);
                    374:                        }
                    375:                    }
                    376:                    HT_FREE(dest_uri);
                    377:                }
                    378: 
                    379:                /* and then in any sublinks */
                    380:                if (sublinks) {
                    381:                    HTLink * pres;
                    382:                    while ((pres = (HTLink *) HTList_nextObject(sublinks))) {
                    383:                        if ((linktype = HTLink_type(pres))) {
                    384:                            HTParentAnchor * dest = HTAnchor_parent(HTLink_destination(pres));
1.64      frystyk   385:                            char * dest_uri = HTAnchor_address((HTAnchor *) dest);
1.68      frystyk   386:                            if (src_uri && dest_uri) {
                    387: #ifdef HT_MYSQL
                    388:                                if (mr->sqllog) {
                    389:                                    HTSQLLog_addLinkRelationship (mr->sqllog,
                    390:                                                                  src_uri, dest_uri,
                    391:                                                                  HTAtom_name(linktype),
                    392:                                                                  NULL);
                    393:                                }
                    394: #endif
                    395:                                if (log) {
                    396:                                    HTFormat format = HTAnchor_format(dest);
                    397:                                    HTLog_addText(log, "%s %s %s --> %s\n",
                    398:                                                  HTAtom_name(linktype),
                    399:                                                  format != WWW_UNKNOWN ?
                    400:                                                  HTAtom_name(format) : "<unknown>",
                    401:                                                  src_uri, dest_uri);
                    402:                                }
1.64      frystyk   403:                                HT_FREE(dest_uri);
                    404:                            }
                    405:                        }
                    406:                    }
                    407:                }
1.68      frystyk   408: 
                    409:                /* Cleanup */
                    410:                HT_FREE(src_uri);
                    411:            }
                    412:            anchor = (HTParentAnchor *) HTArray_nextObject(array, data);
1.64      frystyk   413:        }
1.68      frystyk   414:         if (log) HTLog_close(log);
1.64      frystyk   415:         return YES;
                    416:     }
                    417:     return NO;
                    418: }
                    419: 
                    420: /*
1.63      frystyk   421: **  Sort the anchor array and log last modified date
                    422: */
                    423: PRIVATE BOOL calculate_lm (Robot * mr, HTArray * array)
                    424: {
                    425:     if (mr && array) {
                    426:         HTLog * log = HTLog_open(mr->lmfile, YES, YES);
                    427:         if (log) {
                    428:             void ** data = NULL;
                    429:             HTParentAnchor * anchor = NULL;
                    430:             HTArray_sort(array, LastModifiedSort);
                    431:             anchor = (HTParentAnchor *) HTArray_firstObject(array, data);
                    432:            while (anchor) {
                    433:                 char * uri = HTAnchor_address((HTAnchor *) anchor);
                    434:                 time_t lm = HTAnchor_lastModified(anchor);
                    435:                 if (uri && lm > 0)
                    436:                    HTLog_addText(log, "%s %s\n", HTDateTimeStr(&lm, NO), uri);
                    437:                 HT_FREE(uri);
                    438:                 anchor = (HTParentAnchor *) HTArray_nextObject(array, data);
                    439:             }
                    440:        }
                    441:         HTLog_close(log);
                    442:         return YES;
                    443:     }
                    444:     return NO;
                    445: }
                    446: 
                    447: PRIVATE int LastModifiedSort (const void * a, const void * b)
                    448: {
                    449:     time_t aa = HTAnchor_lastModified(*(HTParentAnchor **) a);
                    450:     time_t bb = HTAnchor_lastModified(*(HTParentAnchor **) b);
                    451:     return bb - aa;
                    452: }
                    453: 
                    454: /*
                    455: **  Sort the anchor array and log the document title
                    456: */
                    457: PRIVATE BOOL calculate_title (Robot * mr, HTArray * array)
                    458: {
                    459:     if (mr && array) {
                    460:         HTLog * log = HTLog_open(mr->titlefile, YES, YES);
                    461:         if (log) {
                    462:             void ** data = NULL;
                    463:             HTParentAnchor * anchor = NULL;
                    464:             HTArray_sort(array, TitleSort);
                    465:             anchor = (HTParentAnchor *) HTArray_firstObject(array, data);
                    466:            while (anchor) {
                    467:                 char * uri = HTAnchor_address((HTAnchor *) anchor);
                    468:                 const char * title = HTAnchor_title(anchor);
                    469:                HTCharset charset = HTAnchor_charset(anchor);
                    470:                 if (uri) HTLog_addText(log, "%s `%s\' %s\n",
                    471:                                       charset ? HTAtom_name(charset) : "<none>",
                    472:                                       title ? title : "<none>",
                    473:                                       uri);
                    474:                 HT_FREE(uri);
                    475:                 anchor = (HTParentAnchor *) HTArray_nextObject(array, data);
                    476:             }
                    477:        }
                    478:         HTLog_close(log);
                    479:         return YES;
                    480:     }
                    481:     return NO;
                    482: }
                    483: 
                    484: PRIVATE int TitleSort (const void * a, const void * b)
                    485: {
                    486:     const char * aa = HTAnchor_title(*(HTParentAnchor **) a);
                    487:     const char * bb = HTAnchor_title(*(HTParentAnchor **) b);
                    488:     return strcasecomp(bb?bb:"", aa?aa:"");
                    489: }
                    490: 
                    491: /*
1.58      frystyk   492: **  Calculate distributions for media types. The same mechanism
                    493: **  can be used for other characteristics with relatively
                    494: **  few outcomes.
                    495: */
                    496: PRIVATE HTList * mediatype_distribution (HTArray * array)
                    497: {
                    498:     if (array) {
                    499:        HTList * mt = HTList_new();
                    500:        MetaDist * pres = NULL;
                    501:        void ** data = NULL;
                    502:        HTParentAnchor * anchor = NULL;
                    503:        anchor = (HTParentAnchor *) HTArray_firstObject(array, data);
                    504:        while (anchor) {
                    505:            HTFormat format = HTAnchor_format(anchor);
                    506:            if (format && format != WWW_UNKNOWN) {
                    507:                HTList * cur = mt;
                    508: 
                    509:                /* If found then increase counter */
                    510:                while ((pres = (MetaDist *) HTList_nextObject(cur))) {
                    511:                    if (pres->name == format) {
                    512:                        pres->hits++;
                    513:                        break;
                    514:                    }
                    515:                }
                    516: 
                    517:                /* If not found then add new format to list */
                    518:                if (!pres) {
                    519:                     if ((pres = (MetaDist *) HT_CALLOC(1, sizeof(MetaDist))) == NULL)
                    520:                         HT_OUTOFMEM("mediatype_distribution");
                    521:                    pres->name = format;
                    522:                    pres->hits = 1;
                    523:                    HTList_addObject(mt, pres);
                    524:                    HTList_insertionSort(mt, FormatSort);
                    525:                }
                    526:            }
                    527: 
                    528:            /* Find next anchor in array */
                    529:            anchor = (HTParentAnchor *) HTArray_nextObject(array, data);
                    530:        }
                    531:        return mt;
                    532:     }
                    533:     return NULL;
                    534: }
                    535: 
1.60      frystyk   536: /*
                    537: **  Calculate distributions for charsets. The same mechanism
                    538: **  can be used for other characteristics with relatively
                    539: **  few outcomes.
                    540: */
                    541: PRIVATE HTList * charset_distribution (HTArray * array)
                    542: {
                    543:     if (array) {
                    544:        HTList * cs = HTList_new();
                    545:        MetaDist * pres = NULL;
                    546:        void ** data = NULL;
                    547:        HTParentAnchor * anchor = NULL;
                    548:        anchor = (HTParentAnchor *) HTArray_firstObject(array, data);
                    549:        while (anchor) {
                    550:            HTCharset charset = HTAnchor_charset(anchor);
                    551:            if (charset) {
                    552:                HTList * cur = cs;
                    553: 
                    554:                /* If found then increase counter */
                    555:                while ((pres = (MetaDist *) HTList_nextObject(cur))) {
                    556:                    if (pres->name == charset) {
                    557:                        pres->hits++;
                    558:                        break;
                    559:                    }
                    560:                }
                    561: 
                    562:                /* If not found then add new format to list */
                    563:                if (!pres) {
                    564:                     if ((pres = (MetaDist *) HT_CALLOC(1, sizeof(MetaDist))) == NULL)
                    565:                         HT_OUTOFMEM("charset_distribution");
                    566:                    pres->name = charset;
                    567:                    pres->hits = 1;
                    568:                    HTList_addObject(cs, pres);
                    569:                    HTList_insertionSort(cs, FormatSort);
                    570:                }
                    571:            }
                    572: 
                    573:            /* Find next anchor in array */
                    574:            anchor = (HTParentAnchor *) HTArray_nextObject(array, data);
                    575:        }
                    576:        return cs;
                    577:     }
                    578:     return NULL;
                    579: }
                    580: 
1.58      frystyk   581: PRIVATE int FormatSort (const void * a, const void * b)
                    582: {
                    583:     MetaDist * aa = (MetaDist *) a;
                    584:     MetaDist * bb = (MetaDist *) b;
                    585:     return strcmp(HTAtom_name(bb->name), HTAtom_name(aa->name));
                    586: }
                    587: 
                    588: PRIVATE BOOL log_meta_distribution (const char * logfile, HTList * distribution)
                    589: {
                    590:     if (logfile && distribution) {
                    591:         HTLog * log = HTLog_open(logfile, YES, YES);
                    592:        if (log) {
                    593:            HTList * cur = distribution;
                    594:            MetaDist * pres;
                    595:            while ((pres = (MetaDist *) HTList_nextObject(cur))) {
                    596:                if (pres->name) {
1.60      frystyk   597:                    HTLog_addText(log, "%8d %s\n", pres->hits, HTAtom_name(pres->name));
1.58      frystyk   598:                }
                    599:            }
                    600:            HTLog_close(log);
                    601:        }
                    602:     }
                    603:     return NO;
                    604: }
                    605: 
                    606: PRIVATE BOOL delete_meta_distribution (HTList * distribution)
                    607: {
                    608:     if (distribution) {
                    609:        HTList * cur = distribution;
                    610:        MetaDist * pres;
                    611:        while ((pres = (MetaDist *) HTList_nextObject(cur)))
                    612:            HT_FREE(pres);
                    613:        HTList_delete(distribution);    
                    614:        return YES;     
                    615:     }
                    616:     return NO;
                    617: }
                    618: 
                    619: 
1.55      frystyk   620: /*     Statistics
                    621: **     ----------
                    622: **     Calculates a bunch of statistics for the anchors traversed
                    623: */
                    624: PRIVATE BOOL calculate_statistics (Robot * mr)
                    625: {
1.59      frystyk   626:     long total_docs = mr->get_docs + mr->head_docs + mr->other_docs;
1.55      frystyk   627:     if (!mr) return NO;
                    628: 
                    629:     /* Calculate efficiency */
1.59      frystyk   630:     if (mr->time > 0) {
1.56      frystyk   631:        ms_t t = HTGetTimeInMillis() - mr->time;
                    632:        if (t > 0) {
1.60      frystyk   633:            double loadfactor = (mr->get_bytes / (t * 0.001));
                    634:            double reqprsec = (total_docs / (t * 0.001));
1.56      frystyk   635:            double secs = t / 1000.0;
1.55      frystyk   636:             char bytes[50];
1.62      frystyk   637:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   638:                HTTrace("\nAccessed %ld documents in %.2f seconds (%.2f requests pr sec)\n",
1.62      frystyk   639:                        total_docs, secs, reqprsec);
1.59      frystyk   640: 
                    641:             HTNumToStr(mr->get_bytes, bytes, 50);
1.62      frystyk   642:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   643:                HTTrace("\tDid a GET on %ld document(s) and downloaded %s bytes of document bodies (%2.1f bytes/sec)\n",
1.62      frystyk   644:                        mr->get_docs, bytes, loadfactor);
1.59      frystyk   645: 
                    646:             HTNumToStr(mr->head_bytes, bytes, 50);
1.62      frystyk   647:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   648:                HTTrace("\tDid a HEAD on %ld document(s) with a total of %s bytes\n",
1.62      frystyk   649:                        mr->head_docs, bytes);
1.55      frystyk   650:        }
                    651:     }
                    652: 
                    653:     /* Create an array of existing anchors */
1.59      frystyk   654:     if (total_docs > 1) {
                    655:        HTArray * array = HTAnchor_getArray(total_docs);
1.55      frystyk   656:         if (array) {
                    657: 
1.63      frystyk   658:            /* Distributions */
                    659:            if (mr->flags & MR_DISTRIBUTIONS) {
1.64      frystyk   660:                if (SHOW_REAL_QUIET(mr)) HTTrace("\nDistributions:\n");
1.63      frystyk   661:            }
                    662: 
1.55      frystyk   663:             /* Sort after hit counts */
1.63      frystyk   664:             if (mr->hitfile) {
                    665:                if (SHOW_REAL_QUIET(mr))
1.64      frystyk   666:                    HTTrace("\tLogged hit count distribution in file `%s\'\n",
1.63      frystyk   667:                            mr->hitfile);
                    668:                calculate_hits(mr, array);
                    669:            }
                    670: 
1.64      frystyk   671:             /* Sort after link relations */
1.68      frystyk   672: #ifdef HT_MYSQL
                    673:             if (mr->relfile || mr->sqllog) {
1.69      frystyk   674: #else
                    675:             if (mr->relfile) {
                    676: #endif
1.68      frystyk   677:                if (mr->relfile && SHOW_REAL_QUIET(mr))
1.64      frystyk   678:                    HTTrace("\tLogged link relationship distribution in file `%s\'\n",
                    679:                            mr->relfile);
                    680:                calculate_linkRelations(mr, array);
                    681:            }
                    682: 
1.63      frystyk   683:             /* Sort after modified date */
                    684:             if (mr->lmfile) {
                    685:                if (SHOW_REAL_QUIET(mr))
1.64      frystyk   686:                    HTTrace("\tLogged last modified distribution in file `%s\'\n",
1.63      frystyk   687:                            mr->lmfile);
                    688:                calculate_lm(mr, array);
                    689:            }
                    690: 
                    691:             /* Sort after title */
                    692:             if (mr->titlefile) {
                    693:                if (SHOW_REAL_QUIET(mr))
1.64      frystyk   694:                    HTTrace("\tLogged title distribution in file `%s\'\n",
1.63      frystyk   695:                            mr->titlefile);
                    696:                calculate_title(mr, array);
                    697:            }
1.55      frystyk   698: 
1.58      frystyk   699:             /* Find mediatype distribution */
                    700:            if (mr->mtfile) {
                    701:                HTList * mtdist = mediatype_distribution(array);
                    702:                if (mtdist) {
1.63      frystyk   703:                    if (SHOW_REAL_QUIET(mr))
1.64      frystyk   704:                        HTTrace("\tLogged media type distribution in file `%s\'\n",
1.63      frystyk   705:                                mr->mtfile);
1.58      frystyk   706:                    log_meta_distribution(mr->mtfile, mtdist);
                    707:                    delete_meta_distribution(mtdist);
                    708:                }
                    709:            }
1.55      frystyk   710: 
1.60      frystyk   711:             /* Find charset distribution */
                    712:            if (mr->charsetfile) {
                    713:                HTList * charsetdist = charset_distribution(array);
                    714:                if (charsetdist) {
1.63      frystyk   715:                    if (SHOW_REAL_QUIET(mr))
1.64      frystyk   716:                        HTTrace("\tLogged charset distribution in file `%s\'\n",
1.63      frystyk   717:                                mr->charsetfile);
1.60      frystyk   718:                    log_meta_distribution(mr->charsetfile, charsetdist);
                    719:                    delete_meta_distribution(charsetdist);
                    720:                }
                    721:            }
                    722: 
1.55      frystyk   723:             /* Add as may other stats here as you like */
1.60      frystyk   724:            /* ... */
1.58      frystyk   725:            
                    726:            /* Delete the array */
1.55      frystyk   727:             HTArray_delete(array);
                    728:         }
                    729:     }
                    730:     return YES;
                    731: }
                    732: 
1.1       frystyk   733: /*     Create a Command Line Object
                    734: **     ----------------------------
                    735: */
                    736: PRIVATE Robot * Robot_new (void)
                    737: {
                    738:     Robot * me;
1.41      frystyk   739:     if ((me = (Robot *) HT_CALLOC(1, sizeof(Robot))) == NULL)
1.14      frystyk   740:        HT_OUTOFMEM("Robot_new");
1.2       frystyk   741:     me->hyperdoc = HTList_new();
1.4       frystyk   742:     me->htext = HTList_new();
1.40      frystyk   743:     me->timer = DEFAULT_TIMEOUT;
1.25      frystyk   744:     me->cwd = HTGetCurrentDirectoryURL();
1.1       frystyk   745:     me->output = OUTPUT;
1.35      eric      746:     me->cnt = 0;
1.34      eric      747:     me->fingers = HTList_new();
1.1       frystyk   748:     return me;
                    749: }
                    750: 
                    751: /*     Delete a Command Line Object
                    752: **     ----------------------------
                    753: */
1.62      frystyk   754: PRIVATE BOOL Robot_delete (Robot * mr)
1.1       frystyk   755: {
1.62      frystyk   756:     if (mr) {
                    757:        HTList_delete(mr->fingers);
1.55      frystyk   758: 
                    759:                /* Calculate statistics */
1.62      frystyk   760:        calculate_statistics(mr);
1.55      frystyk   761: 
1.62      frystyk   762:         if (mr->hyperdoc) {
                    763:            HTList * cur = mr->hyperdoc;
1.2       frystyk   764:            HyperDoc * pres;
                    765:            while ((pres = (HyperDoc *) HTList_nextObject(cur)))
                    766:                HyperDoc_delete(pres);
1.62      frystyk   767:            HTList_delete(mr->hyperdoc);
1.2       frystyk   768:        }
1.62      frystyk   769:        if (mr->htext) {
                    770:            HTList * cur = mr->htext;
1.4       frystyk   771:            HText * pres;
                    772:            while ((pres = (HText *) HTList_nextObject(cur)))
                    773:                HText_free(pres);
1.62      frystyk   774:            HTList_delete(mr->htext);
1.4       frystyk   775:        }
1.62      frystyk   776: 
                    777:        /* Close all the log files */
1.63      frystyk   778:        if (mr->flags & MR_LOGGING) {
1.64      frystyk   779:            if (SHOW_REAL_QUIET(mr)) HTTrace("\nRaw Log files:\n");
1.63      frystyk   780:        }
                    781: 
1.62      frystyk   782:        if (mr->log) {
                    783:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   784:                HTTrace("\tLogged %5d entries in general log file `%s\'\n",
1.62      frystyk   785:                        HTLog_accessCount(mr->log), mr->logfile);
                    786:            HTLog_close(mr->log);
                    787:        }
                    788:        if (mr->ref) {
                    789:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   790:                HTTrace("\tLogged %5d entries in referer log file `%s\'\n",
1.62      frystyk   791:                        HTLog_accessCount(mr->ref), mr->reffile);
                    792:            HTLog_close(mr->ref);
                    793:        }
                    794:        if (mr->reject) {
                    795:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   796:                HTTrace("\tLogged %5d entries in rejected log file `%s\'\n",
1.62      frystyk   797:                        HTLog_accessCount(mr->reject), mr->rejectfile);
                    798:            HTLog_close(mr->reject);
                    799:        }
                    800:        if (mr->notfound) {
                    801:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   802:                HTTrace("\tLogged %5d entries in not found log file `%s\'\n",
1.62      frystyk   803:                        HTLog_accessCount(mr->notfound), mr->notfoundfile);
                    804:            HTLog_close(mr->notfound);
                    805:        }
                    806:        if (mr->conneg) {
                    807:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   808:                HTTrace("\tLogged %5d entries in content negotiation log file `%s\'\n",
1.62      frystyk   809:                        HTLog_accessCount(mr->conneg), mr->connegfile);
                    810:            HTLog_close(mr->conneg);
                    811:        }
                    812:        if (mr->noalttag) {
                    813:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   814:                HTTrace("\tLogged %5d entries in missing alt tag log file `%s\'\n",
1.62      frystyk   815:                        HTLog_accessCount(mr->noalttag), mr->noalttagfile);
                    816:            HTLog_close(mr->noalttag);
                    817:        }
                    818: 
                    819:        if (mr->output && mr->output != STDOUT) fclose(mr->output);
                    820: 
                    821:        if (mr->flags & MR_TIME) {
1.12      frystyk   822:            time_t local = time(NULL);
1.62      frystyk   823:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   824:                HTTrace("\nRobot terminated %s\n", HTDateTimeStr(&local, YES));
1.12      frystyk   825:        }
1.55      frystyk   826: 
1.58      frystyk   827: #ifdef HT_POSIX_REGEX
1.62      frystyk   828:        if (mr->include) {
                    829:            regfree(mr->include);
                    830:            HT_FREE(mr->include);
                    831:        }
                    832:        if (mr->exclude) {
                    833:            regfree(mr->exclude);
                    834:            HT_FREE(mr->exclude);
                    835:        }
                    836:        if (mr->check) {
                    837:            regfree(mr->check);
                    838:            HT_FREE(mr->check);
1.58      frystyk   839:        }
                    840: #endif
                    841: 
1.68      frystyk   842: #ifdef HT_MYSQL
                    843:        if (mr->sqllog) {
                    844:            HTSQLLog_close(mr->sqllog);
                    845:            mr->sqllog = NULL;
                    846:        }
                    847: #endif
                    848: 
1.62      frystyk   849:        HT_FREE(mr->cwd);
                    850:        HT_FREE(mr->prefix);
                    851:        HT_FREE(mr->img_prefix);
                    852:        HT_FREE(mr);
1.1       frystyk   853:        return YES;
                    854:     }
                    855:     return NO;
                    856: }
                    857: 
1.2       frystyk   858: /*
1.34      eric      859: **  This function creates a new finger object and initializes it with a new request
1.2       frystyk   860: */
1.34      eric      861: PRIVATE Finger * Finger_new (Robot * robot, HTParentAnchor * dest, HTMethod method)
1.2       frystyk   862: {
1.34      eric      863:     Finger * me;
                    864:     HTRequest * request = HTRequest_new();
                    865:     if ((me = (Finger *) HT_CALLOC(1, sizeof(Finger))) == NULL)
                    866:        HT_OUTOFMEM("Finger_new");
                    867:     me->robot = robot;
                    868:     me->request = request;
                    869:     me->dest = dest;
                    870:     HTList_addObject(robot->fingers, (void *)me);
                    871: 
1.48      frystyk   872:     /* Set the context for this request */
1.34      eric      873:     HTRequest_setContext (request, me);
1.48      frystyk   874: 
                    875:     /* Check the various flags to customize the request */
                    876:     if (robot->flags & MR_PREEMPTIVE)
                    877:        HTRequest_setPreemptive(request, YES);
                    878:     if (robot->flags & MR_VALIDATE)
                    879:        HTRequest_setReloadMode(request, HT_CACHE_VALIDATE);
                    880:     if (robot->flags & MR_END_VALIDATE)
                    881:        HTRequest_setReloadMode(request, HT_CACHE_END_VALIDATE);
                    882: 
                    883:     /* We wanna make sure that we are sending a Host header (default) */
1.34      eric      884:     HTRequest_addRqHd(request, HT_C_HOST);
1.48      frystyk   885: 
                    886:     /* Set the method for this request */
1.34      eric      887:     HTRequest_setMethod(request, method);
                    888:     robot->cnt++;
                    889:     return me;
1.2       frystyk   890: }
                    891: 
1.34      eric      892: PRIVATE int Finger_delete (Finger * me)
1.2       frystyk   893: {
1.34      eric      894:     HTList_removeObject(me->robot->fingers, (void *)me);
                    895:     me->robot->cnt--;
1.37      frystyk   896: 
                    897:     /*
                    898:     **  If we are down at one request then flush the output buffer
                    899:     */
                    900:     if (me->request) {
                    901:        if (me->robot->cnt == 1) HTRequest_forceFlush(me->request);
1.34      eric      902:        HTRequest_delete(me->request);
1.37      frystyk   903:     }
                    904: 
                    905:     /*
                    906:     **  Delete the request and free myself
                    907:     */
1.34      eric      908:     HT_FREE(me);
                    909:     return YES;
1.2       frystyk   910: }
                    911: 
                    912: /*
                    913: **  Cleanup and make sure we close all connections including the persistent
                    914: **  ones
                    915: */
1.1       frystyk   916: PRIVATE void Cleanup (Robot * me, int status)
                    917: {
                    918:     Robot_delete(me);
1.29      eric      919:     HTProfile_delete();
1.50      frystyk   920: #ifdef HT_MEMLOG
1.39      eric      921:     HTMemLog_close();
1.47      frystyk   922: #endif
                    923: 
1.1       frystyk   924: #ifdef VMS
                    925:     exit(status ? status : 1);
                    926: #else
                    927:     exit(status ? status : 0);
                    928: #endif
                    929: }
                    930: 
                    931: #ifdef CATCH_SIG
                    932: #include <signal.h>
                    933: /*                                                                 SetSignal
                    934: **  This function sets up signal handlers. This might not be necessary to
                    935: **  call if the application has its own handlers (lossage on SVR4)
                    936: */
                    937: PRIVATE void SetSignal (void)
                    938: {
                    939:     /* On some systems (SYSV) it is necessary to catch the SIGPIPE signal
                    940:     ** when attemting to connect to a remote host where you normally should
                    941:     ** get `connection refused' back
                    942:     */
                    943:     if (signal(SIGPIPE, SIG_IGN) == SIG_ERR) {
1.13      eric      944:        if (PROT_TRACE) HTTrace("HTSignal.... Can't catch SIGPIPE\n");
1.1       frystyk   945:     } else {
1.13      eric      946:        if (PROT_TRACE) HTTrace("HTSignal.... Ignoring SIGPIPE\n");
1.1       frystyk   947:     }
1.47      frystyk   948: 
1.50      frystyk   949: #ifdef HT_MEMLOG
1.44      eric      950:     HTMemLog_flush();
1.47      frystyk   951: #endif
                    952: 
1.1       frystyk   953: }
                    954: #endif /* CATCH_SIG */
                    955: 
1.58      frystyk   956: #ifdef HT_POSIX_REGEX
                    957: PRIVATE char * get_regerror (int errcode, regex_t * compiled)
                    958: {
                    959:     size_t length = regerror (errcode, compiled, NULL, 0);
                    960:     char * str = NULL;
                    961:     if ((str = (char *) HT_MALLOC(length+1)) == NULL)
                    962:        HT_OUTOFMEM("get_regerror");
                    963:     (void) regerror (errcode, compiled, str, length);
                    964:     return str;
                    965: }
                    966: 
1.60      frystyk   967: PRIVATE regex_t * get_regtype (Robot * mr, const char * regex_str, int cflags)
1.58      frystyk   968: {
                    969:     regex_t * regex = NULL;
                    970:     if (regex_str && *regex_str) {
                    971:        int status;
                    972:        if ((regex = (regex_t *) HT_CALLOC(1, sizeof(regex_t))) == NULL)
                    973:            HT_OUTOFMEM("get_regtype");
1.60      frystyk   974:        if ((status = regcomp(regex, regex_str, cflags))) {
1.58      frystyk   975:            char * err_msg = get_regerror(status, regex);
1.62      frystyk   976:            if (SHOW_REAL_QUIET(mr))
                    977:                HTTrace("Regular expression error: %s\n", err_msg);
1.58      frystyk   978:            HT_FREE(err_msg);
                    979:            Cleanup(mr, -1);
                    980:        }
                    981:     }
                    982:     return regex;
                    983: }
                    984: #endif
                    985: 
1.1       frystyk   986: PRIVATE void VersionInfo (void)
                    987: {
1.62      frystyk   988:     OutputData("W3C Sample Software\n\n");
                    989:     OutputData("\tW3C Mini Robot (%s) version %s\n", APP_NAME, APP_VERSION);
                    990:     OutputData("\tW3C Sample Library (libwww) version %s\n\n", HTLib_version());
                    991:     OutputData("For command line options, see\n\t%s\n\n", COMMAND_LINE);
1.13      eric      992:     OutputData("Please send feedback to <libwww@w3.org>\n");
1.1       frystyk   993: }
                    994: 
                    995: /*     terminate_handler
                    996: **     -----------------
1.2       frystyk   997: **     This function is registered to handle the result of the request.
                    998: **     If no more requests are pending then terminate program
1.1       frystyk   999: */
1.32      frystyk  1000: PRIVATE int terminate_handler (HTRequest * request, HTResponse * response,
                   1001:                               void * param, int status) 
1.1       frystyk  1002: {
1.34      eric     1003:     Finger * finger = (Finger *) HTRequest_context(request);
1.46      eric     1004:     Robot * mr = finger->robot;
1.62      frystyk  1005:     if (SHOW_QUIET(mr)) HTTrace("Robot....... done with %s\n", HTAnchor_physical(finger->dest));
1.55      frystyk  1006: 
1.68      frystyk  1007: #ifdef HT_MYSQL
                   1008:     if (mr->sqllog) HTSQLLog_addEntry(mr->sqllog, request, status);
                   1009: #endif
                   1010: 
1.58      frystyk  1011:     /* Check if negotiated resource and whether we should log that*/
                   1012:     if (mr->conneg) {
                   1013:        HTAssocList * cur = HTResponse_variant(response);
                   1014:        if (cur) {
                   1015:            BOOL first = YES;
                   1016:            HTChunk * buffer = HTChunk_new(128);
                   1017:            char * uri = HTAnchor_address((HTAnchor *) finger->dest);
                   1018:            HTAssoc * pres;
1.60      frystyk  1019:            HTChunk_puts(buffer, uri);
1.58      frystyk  1020:            while ((pres = (HTAssoc *) HTAssocList_nextObject(cur))) {
                   1021:                char * value = HTAssoc_value(pres);
                   1022:                if (first) {
1.60      frystyk  1023:                    HTChunk_puts(buffer, "\t(");
1.58      frystyk  1024:                    first = NO;
                   1025:                } else
                   1026:                    HTChunk_puts(buffer, ", ");
                   1027: 
                   1028:                /* Output the name */
                   1029:                HTChunk_puts(buffer, HTAssoc_name(pres));
                   1030: 
                   1031:                /* Only output the value if not empty string */
1.60      frystyk  1032:                if (value && *value) {
1.58      frystyk  1033:                    HTChunk_puts(buffer, "=");
                   1034:                    HTChunk_puts(buffer, value);
                   1035:                }
                   1036:            }
1.60      frystyk  1037:            if (!first) HTChunk_puts(buffer, ")");
                   1038:            HTLog_addLine(mr->conneg, HTChunk_data(buffer));
1.58      frystyk  1039:            HTChunk_delete(buffer);
                   1040:            HT_FREE(uri);
                   1041:        }
                   1042:     }
                   1043: 
1.55      frystyk  1044:     /* Count the amount of body data that we have read */
1.59      frystyk  1045:     if (HTRequest_method(request) == METHOD_GET) {
                   1046:        int length = HTAnchor_length(HTRequest_anchor(request));
                   1047:        if (length > 0) mr->get_bytes += length;
                   1048:        mr->get_docs++;
                   1049:     } else if (HTRequest_method(request) == METHOD_HEAD) {
1.56      frystyk  1050:        int length = HTAnchor_length(HTRequest_anchor(request));
1.59      frystyk  1051:        if (length > 0) mr->head_bytes += length;
                   1052:        mr->head_docs++;
                   1053:     } else {
                   1054:        mr->other_docs++;
1.55      frystyk  1055:     }
                   1056: 
1.58      frystyk  1057:     /* Cleanup the anchor so that we don't drown in metainformation */
                   1058:     if (!(mr->flags & MR_KEEP_META))
                   1059:        HTAnchor_clearHeader(HTRequest_anchor(request));
                   1060: 
1.55      frystyk  1061:     /* Delete this thread */
1.34      eric     1062:     Finger_delete(finger);
1.55      frystyk  1063: 
                   1064:     /* Should we stop? */
1.46      eric     1065:     if (mr->cnt <= 0) {
1.62      frystyk  1066:        if (SHOW_QUIET(mr)) HTTrace("             Everything is finished...\n");
1.46      eric     1067:        Cleanup(mr, 0);                 /* No way back from here */
1.30      frystyk  1068:     }
1.62      frystyk  1069:     if (SHOW_QUIET(mr)) HTTrace("             %d outstanding request%s\n", mr->cnt, mr->cnt == 1 ? "" : "s");
1.1       frystyk  1070:     return HT_OK;
                   1071: }
                   1072: 
                   1073: /* ------------------------------------------------------------------------- */
                   1074: /*                             HTEXT INTERFACE                              */
                   1075: /* ------------------------------------------------------------------------- */
                   1076: 
                   1077: PUBLIC HText * HText_new2 (HTRequest * request, HTParentAnchor * anchor,
                   1078:                           HTStream * stream)
                   1079: {
                   1080:     HText * me;
1.34      eric     1081:     Finger * finger = (Finger *) HTRequest_context(request);
                   1082:     Robot * mr = finger->robot;
1.65      frystyk  1083:     char * robots = NULL;
                   1084: 
1.14      frystyk  1085:     if ((me = (HText *) HT_CALLOC(1, sizeof(HText))) == NULL)
                   1086:        HT_OUTOFMEM("HText_new2");
1.4       frystyk  1087: 
                   1088:     /* Bind the HText object together with the Request Object */
1.1       frystyk  1089:     me->request = request;
1.65      frystyk  1090:     me->follow = YES;
                   1091: 
                   1092:     /* Check to see if we have any meta tags */
                   1093:     if ((robots = HTAnchor_robots(anchor)) != NULL) {
                   1094:        char * strval = NULL;
                   1095:        char * ptr = NULL;
                   1096:        char * token = NULL;
                   1097:        StrAllocCopy(strval, robots);
                   1098:        ptr = strval;
                   1099:        while ((token = HTNextField(&ptr)) != NULL) {
                   1100:            if (!strcasecomp(token, "nofollow")) {
                   1101:                me->follow = NO;
                   1102:                break;
                   1103:            }
                   1104:        }
                   1105:        HT_FREE(strval);
                   1106:     }
1.4       frystyk  1107: 
                   1108:     /* Add this HyperDoc object to our list */
                   1109:     if (!mr->htext) mr->htext = HTList_new();
                   1110:     HTList_addObject(mr->htext, (void *) me);
1.1       frystyk  1111:     return me;
                   1112: }
                   1113: 
1.4       frystyk  1114: PUBLIC void HText_free (HText * me) {
1.11      frystyk  1115:     if (me) HT_FREE (me);
1.4       frystyk  1116: }
                   1117: 
1.1       frystyk  1118: PUBLIC void HText_beginAnchor (HText * text, HTChildAnchor * anchor)
                   1119: {
                   1120:     if (text && anchor) {
1.34      eric     1121:        Finger * finger = (Finger *) HTRequest_context(text->request);
                   1122:        Robot * mr = finger->robot;
1.1       frystyk  1123:        HTAnchor * dest = HTAnchor_followMainLink((HTAnchor *) anchor);
                   1124:        HTParentAnchor * dest_parent = HTAnchor_parent(dest);
1.7       frystyk  1125:        char * uri = HTAnchor_address((HTAnchor *) dest_parent);
1.1       frystyk  1126:        HyperDoc * hd = HTAnchor_document(dest_parent);
1.60      frystyk  1127:        HTParentAnchor * referer = HTRequest_anchor(text->request);
1.65      frystyk  1128:        BOOL match = text->follow;
1.58      frystyk  1129:        BOOL check = NO;
1.1       frystyk  1130: 
1.55      frystyk  1131:        if (!uri) return;
1.62      frystyk  1132:        if (SHOW_QUIET(mr)) HTTrace("Robot....... Found `%s\' - ", uri ? uri : "NULL\n");
1.55      frystyk  1133: 
                   1134:         if (hd) {
1.62      frystyk  1135:            if (SHOW_QUIET(mr)) HTTrace("Already checked\n");
1.55      frystyk  1136:             hd->hits++;
1.68      frystyk  1137: #ifdef HT_MYSQL
                   1138:            if (mr->sqllog) {
                   1139:                char * ref_addr = HTAnchor_address((HTAnchor *) referer);
                   1140:                if (ref_addr) {
                   1141:                    HTSQLLog_addLinkRelationship(mr->sqllog, ref_addr, uri,
                   1142:                                                 "referer", NULL);
                   1143:                    HT_FREE(ref_addr);
                   1144:                }
                   1145:            }
                   1146: #endif
1.58      frystyk  1147:            HT_FREE(uri);
                   1148:            return;
                   1149:        }
1.70    ! frystyk  1150: 
1.58      frystyk  1151:        /* Check for prefix match */
1.65      frystyk  1152:        if (match && mr->prefix) {
                   1153:            match = HTStrMatch(mr->prefix, uri) ? YES : NO;
                   1154:        }
1.58      frystyk  1155: 
                   1156: #ifdef HT_POSIX_REGEX
1.69      frystyk  1157:        /*
                   1158:        **  Check for any regular expression. The include may override
                   1159:        **  the prefix matching
                   1160:        */
                   1161:        if (mr->include) {
1.58      frystyk  1162:            match = regexec(mr->include, uri, 0, NULL, 0) ? NO : YES;
                   1163:        }
                   1164:        if (match && mr->exclude) {
                   1165:            match = regexec(mr->exclude, uri, 0, NULL, 0) ? YES : NO;
                   1166:        }
                   1167:        if (match && mr->check) {
                   1168:            check = regexec(mr->check, uri, 0, NULL, 0) ? NO : YES;
                   1169:        }
                   1170: #endif
                   1171: 
                   1172:        /* Test whether we already have a hyperdoc for this document */
                   1173:         if (mr->flags & MR_LINK && match && dest_parent) {
1.60      frystyk  1174:            HTParentAnchor * last_anchor = HTRequest_parent(text->request);
                   1175:            HyperDoc * last_doc = HTAnchor_document(last_anchor);
                   1176:            int depth = last_doc ? last_doc->depth+1 : 0;
1.34      eric     1177:            Finger * newfinger = Finger_new(mr, dest_parent, METHOD_GET);
                   1178:            HTRequest * newreq = newfinger->request;
1.2       frystyk  1179:            HyperDoc_new(mr, dest_parent, depth);
1.60      frystyk  1180:            HTRequest_setParent(newreq, referer);
1.58      frystyk  1181:            if (check || depth >= mr->depth) {
1.62      frystyk  1182:                if (SHOW_QUIET(mr)) HTTrace("loading at depth %d using HEAD\n", depth);
1.7       frystyk  1183:                HTRequest_setMethod(newreq, METHOD_HEAD);
                   1184:            } else {
1.62      frystyk  1185:                if (SHOW_QUIET(mr)) HTTrace("loading at depth %d\n", depth);
1.2       frystyk  1186:            }
                   1187:            if (HTLoadAnchor((HTAnchor *) dest_parent, newreq) != YES) {
1.62      frystyk  1188:                if (SHOW_QUIET(mr)) HTTrace("not tested!\n");
1.34      eric     1189:                Finger_delete(newfinger);
1.2       frystyk  1190:            }
1.7       frystyk  1191:        } else {
1.62      frystyk  1192:            if (SHOW_QUIET(mr)) HTTrace("does not fulfill constraints\n");
1.68      frystyk  1193: #ifdef HT_MYSQL
                   1194:            if (mr->reject || mr->sqllog) {
                   1195: #else  
1.60      frystyk  1196:            if (mr->reject) {
1.68      frystyk  1197: #endif
1.60      frystyk  1198:                if (referer) {
                   1199:                    char * ref_addr = HTAnchor_address((HTAnchor *) referer);
1.68      frystyk  1200:                    if (mr->reject && ref_addr)
                   1201:                        HTLog_addText(mr->reject, "%s --> %s\n", ref_addr, uri);
                   1202: #ifdef HT_MYSQL
                   1203:                    if (mr->sqllog && mr->sqlexternals && ref_addr)
                   1204:                        HTSQLLog_addLinkRelationship(mr->sqllog,
                   1205:                                                     ref_addr, uri,
                   1206:                                                     "referer", NULL);
                   1207: #endif
                   1208: 
1.60      frystyk  1209:                    HT_FREE(ref_addr);
                   1210:                }
                   1211:            }
1.2       frystyk  1212:        }
1.11      frystyk  1213:        HT_FREE(uri);
1.2       frystyk  1214:     }
                   1215: }
                   1216: 
                   1217: PUBLIC void HText_appendImage (HText * text, HTChildAnchor * anchor,
1.14      frystyk  1218:                               const char *alt, const char * align, BOOL isMap)
1.2       frystyk  1219: {
                   1220:     if (text && anchor) {
1.34      eric     1221:        Finger * finger = (Finger *) HTRequest_context(text->request);
                   1222:        Robot * mr = finger->robot;
1.59      frystyk  1223:        if (mr->flags & MR_IMG) {
1.60      frystyk  1224:            HTAnchor * dest = HTAnchor_followMainLink((HTAnchor *) anchor);
                   1225:            HTParentAnchor * dest_parent = HTAnchor_parent(dest);
                   1226:            char * uri = HTAnchor_address((HTAnchor *) dest_parent);
                   1227:            HyperDoc * hd = HTAnchor_document(dest_parent);
                   1228:            HTParentAnchor * referer = HTRequest_anchor(text->request);
1.59      frystyk  1229:            BOOL match = YES;
                   1230: 
                   1231:            if (hd) {
1.62      frystyk  1232:                if (SHOW_QUIET(mr)) HTTrace("Already checked\n");
1.59      frystyk  1233:                hd->hits++;
1.68      frystyk  1234: #ifdef HT_MYSQL
                   1235:                if (mr->sqllog) {
                   1236:                    char * ref_addr = HTAnchor_address((HTAnchor *) referer);
                   1237:                    if (ref_addr) {
                   1238:                        HTSQLLog_addLinkRelationship(mr->sqllog,
                   1239:                                                     ref_addr, uri,
                   1240:                                                     "image", alt);
                   1241:                        HT_FREE(ref_addr);
                   1242:                    }
                   1243:                }
                   1244: #endif
1.11      frystyk  1245:                HT_FREE(uri);
1.59      frystyk  1246:                return;
1.2       frystyk  1247:            }
1.59      frystyk  1248: 
                   1249:            /* Check for prefix match */
                   1250:            if (mr->img_prefix) match = HTStrMatch(mr->img_prefix, uri) ? YES : NO;
                   1251: 
                   1252:            /* Test whether we already have a hyperdoc for this document */
                   1253:            if (match && dest) {
1.60      frystyk  1254:                Finger * newfinger = Finger_new(mr, dest_parent,
1.59      frystyk  1255:                                                mr->flags & MR_SAVE ?
                   1256:                                                METHOD_GET : METHOD_HEAD);
                   1257:                HTRequest * newreq = newfinger->request;
1.60      frystyk  1258:                HyperDoc_new(mr, dest_parent, 1);
                   1259:                HTRequest_setParent(newreq, referer);
                   1260: 
                   1261:                /* Check whether we should report missing ALT tags */
                   1262:                if (mr->noalttag && (alt==NULL || *alt=='\0')) {
                   1263:                    if (referer) {
                   1264:                        char * ref_addr = HTAnchor_address((HTAnchor *) referer);
                   1265:                        if (ref_addr) HTLog_addText(mr->noalttag, "%s --> %s\n", ref_addr, uri);
                   1266:                        HT_FREE(ref_addr);
                   1267:                    }
                   1268:                }
                   1269:                
1.62      frystyk  1270:                if (SHOW_QUIET(mr)) HTTrace("Robot....... Checking Image `%s\'\n", uri);
1.59      frystyk  1271:                if (HTLoadAnchor((HTAnchor *) dest, newreq) != YES) {
1.62      frystyk  1272:                    if (SHOW_QUIET(mr)) HTTrace("Robot....... Image not tested!\n");
1.59      frystyk  1273:                    Finger_delete(newfinger);
                   1274:                }
                   1275:            } else {
1.62      frystyk  1276:                if (SHOW_QUIET(mr)) HTTrace("does not fulfill constraints\n");
1.68      frystyk  1277: #ifdef HT_MYSQL
                   1278:                if (mr->reject || mr->sqllog) {
                   1279: #else  
1.60      frystyk  1280:                if (mr->reject) {
1.68      frystyk  1281: #endif
1.60      frystyk  1282:                    if (referer) {
                   1283:                        char * ref_addr = HTAnchor_address((HTAnchor *) referer);
1.68      frystyk  1284:                        if (mr->reject && ref_addr)
                   1285:                            HTLog_addText(mr->reject, "%s --> %s\n", ref_addr, uri);
                   1286: #ifdef HT_MYSQL
                   1287:                        if (mr->sqllog && mr->sqlexternals && ref_addr)
                   1288:                            HTSQLLog_addLinkRelationship(mr->sqllog,
                   1289:                                                         ref_addr, uri,
                   1290:                                                         "image", alt);
                   1291: #endif
                   1292: 
1.60      frystyk  1293:                        HT_FREE(ref_addr);
                   1294:                    }
                   1295:                }
1.1       frystyk  1296:            }
1.59      frystyk  1297:            HT_FREE(uri);
1.1       frystyk  1298:        }
                   1299:     }
                   1300: }
                   1301: 
                   1302: PUBLIC void HText_endAnchor (HText * text) {}
1.14      frystyk  1303: PUBLIC void HText_appendText (HText * text, const char * str) {}
1.1       frystyk  1304: PUBLIC void HText_appendCharacter (HText * text, char ch) {}
                   1305: PUBLIC void HText_endAppend (HText * text) {}
                   1306: PUBLIC void HText_setStyle (HText * text, HTStyle * style) {}
                   1307: PUBLIC void HText_beginAppend (HText * text) {}
                   1308: PUBLIC void HText_appendParagraph (HText * text) {}
                   1309: 
1.48      frystyk  1310: PRIVATE int RobotTrace (const char * fmt, va_list pArgs)
                   1311: {
                   1312:     return (vfprintf(stderr, fmt, pArgs));
                   1313: }
                   1314: 
1.1       frystyk  1315: /* ------------------------------------------------------------------------- */
                   1316: /*                               MAIN PROGRAM                               */
                   1317: /* ------------------------------------------------------------------------- */
                   1318: 
                   1319: int main (int argc, char ** argv)
                   1320: {
1.48      frystyk  1321:     int                status = 0;
1.1       frystyk  1322:     int                arg;
1.48      frystyk  1323:     BOOL       cache = NO;                          /* Use persistent cache */
                   1324:     BOOL       flush = NO;                    /* flush the persistent cache */
1.54      frystyk  1325:     char *     cache_root = NULL;
1.1       frystyk  1326:     HTChunk *  keywords = NULL;                        /* From command line */
                   1327:     int                keycnt = 0;
1.12      frystyk  1328:     Robot *    mr = NULL;
1.43      frystyk  1329:     Finger *   finger = NULL;
                   1330:     HTParentAnchor * startAnchor = NULL;
1.1       frystyk  1331: 
                   1332:     /* Starts Mac GUSI socket library */
                   1333: #ifdef GUSI
                   1334:     GUSISetup(GUSIwithSIOUXSockets);
                   1335:     GUSISetup(GUSIwithInternetSockets);
                   1336: #endif
                   1337: 
                   1338: #ifdef __MWERKS__ /* STR */
                   1339:     InitGraf((Ptr) &qd.thePort); 
                   1340:     InitFonts(); 
                   1341:     InitWindows(); 
                   1342:     InitMenus(); TEInit(); 
                   1343:     InitDialogs(nil); 
                   1344:     InitCursor();
                   1345:     SIOUXSettings.asktosaveonclose = false;
                   1346:     argc=ccommand(&argv);
1.50      frystyk  1347: #endif /* __MWERKS__ */
1.1       frystyk  1348: 
1.50      frystyk  1349: #ifdef HT_MEMLOG
1.51      frystyk  1350:     HTMemLog_open(DEFAULT_MEMLOG, 8192, YES);
1.47      frystyk  1351: #endif
1.46      eric     1352: 
1.27      frystyk  1353:     /* Initiate W3C Reference Library with a robot profile */
                   1354:     HTProfile_newRobot(APP_NAME, APP_VERSION);
1.48      frystyk  1355:     HTTrace_setCallback(RobotTrace);
1.27      frystyk  1356: 
                   1357:     /* Add the default HTML parser to the set of converters */
                   1358:     {
                   1359:        HTList * converters = HTFormat_conversion();
                   1360:        HTMLInit(converters);
                   1361:     }
1.1       frystyk  1362: 
1.12      frystyk  1363:     /* Build a new robot object */
                   1364:     mr = Robot_new();
                   1365: 
1.1       frystyk  1366:     /* Scan command Line for parameters */
                   1367:     for (arg=1; arg<argc; arg++) {
                   1368:        if (*argv[arg] == '-') {
                   1369:            
                   1370:            /* non-interactive */
1.17      frystyk  1371:            if (!strcmp(argv[arg], "-n")) {
1.1       frystyk  1372:                HTAlert_setInteractive(NO);
                   1373: 
1.62      frystyk  1374:            /* help */
                   1375:            } else if (!strcmp(argv[arg], "-h") || !strcmp(argv[arg], "-?")) {
                   1376:                VersionInfo();
                   1377:                Cleanup(mr, 0);
                   1378: 
1.63      frystyk  1379:            /* clf log file */
1.1       frystyk  1380:            } else if (!strcmp(argv[arg], "-l")) {
                   1381:                mr->logfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1382:                    argv[++arg] : DEFAULT_LOG_FILE;
1.63      frystyk  1383:                mr->flags |= MR_LOGGING;
1.1       frystyk  1384: 
1.63      frystyk  1385:            /* referer log file */
1.58      frystyk  1386:            } else if (!strncmp(argv[arg], "-ref", 4)) {
1.57      frystyk  1387:                mr->reffile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1388:                    argv[++arg] : DEFAULT_REFERER_FILE;
1.63      frystyk  1389:                mr->flags |= MR_LOGGING;
1.57      frystyk  1390: 
1.58      frystyk  1391:            /* Not found error log file */
                   1392:            } else if (!strncmp(argv[arg], "-404", 4)) {
                   1393:                mr->notfoundfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1394:                    argv[++arg] : DEFAULT_NOTFOUND_FILE;
1.63      frystyk  1395:                mr->flags |= MR_LOGGING;
1.58      frystyk  1396: 
                   1397:            /* reject log file */
                   1398:            } else if (!strncmp(argv[arg], "-rej", 4)) {
                   1399:                mr->rejectfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1400:                    argv[++arg] : DEFAULT_REJECT_FILE;
1.63      frystyk  1401:                mr->flags |= MR_LOGGING;
1.58      frystyk  1402: 
1.63      frystyk  1403:            /* no alt tags log file */
                   1404:            } else if (!strncmp(argv[arg], "-alt", 4)) {
                   1405:                mr->noalttagfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1406:                    argv[++arg] : DEFAULT_NOALTTAG_FILE;
                   1407:                mr->flags |= MR_LOGGING;
                   1408: 
                   1409:            /* negotiated resource log file */
1.58      frystyk  1410:            } else if (!strncmp(argv[arg], "-neg", 4)) {
                   1411:                mr->connegfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1412:                    argv[++arg] : DEFAULT_CONNEG_FILE;
1.63      frystyk  1413:                mr->flags |= MR_LOGGING;
                   1414: 
                   1415:            /* hit file log */
                   1416:            } else if (!strcmp(argv[arg], "-hit")) {
                   1417:                mr->hitfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1418:                    argv[++arg] : DEFAULT_HIT_FILE;
                   1419:                mr->flags |= MR_DISTRIBUTIONS;
                   1420: 
1.64      frystyk  1421:            /* link relations file log */
                   1422:            } else if (!strcmp(argv[arg], "-rellog")) {
                   1423:                mr->relfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1424:                    argv[++arg] : DEFAULT_REL_FILE;
                   1425:                mr->flags |= MR_DISTRIBUTIONS;
                   1426: 
                   1427:            /* Specific link relation to look for (only used i also -rellog) */
                   1428:            } else if (!strcmp(argv[arg], "-relation")) {
                   1429:                mr->relation = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1430:                    (HTLinkType) HTAtom_caseFor(argv[++arg]) : NULL;
                   1431:                mr->flags |= MR_DISTRIBUTIONS;
                   1432: 
1.63      frystyk  1433:            /* last modified log file */
                   1434:            } else if (!strcmp(argv[arg], "-lm")) {
                   1435:                mr->lmfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1436:                    argv[++arg] : DEFAULT_LM_FILE;
                   1437:                mr->flags |= MR_DISTRIBUTIONS;
                   1438: 
                   1439:            /* title log file */
                   1440:            } else if (!strcmp(argv[arg], "-title")) {
                   1441:                mr->titlefile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1442:                    argv[++arg] : DEFAULT_TITLE_FILE;
                   1443:                mr->flags |= MR_DISTRIBUTIONS;
1.58      frystyk  1444: 
                   1445:            /* mediatype distribution log file */
                   1446:            } else if (!strncmp(argv[arg], "-for", 4)) {
                   1447:                mr->mtfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1448:                    argv[++arg] : DEFAULT_FORMAT_FILE;
1.63      frystyk  1449:                mr->flags |= (MR_KEEP_META | MR_DISTRIBUTIONS);
1.58      frystyk  1450: 
1.60      frystyk  1451:            /* charset distribution log file */
                   1452:            } else if (!strncmp(argv[arg], "-char", 5)) {
                   1453:                mr->charsetfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1454:                    argv[++arg] : DEFAULT_CHARSET_FILE;
1.63      frystyk  1455:                mr->flags |= (MR_KEEP_META | MR_DISTRIBUTIONS);
1.60      frystyk  1456: 
1.55      frystyk  1457:             /* rule file */
1.1       frystyk  1458:            } else if (!strcmp(argv[arg], "-r")) {
                   1459:                mr->rules = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1460:                    argv[++arg] : DEFAULT_RULE_FILE;
                   1461: 
                   1462:            /* output filename */
                   1463:            } else if (!strcmp(argv[arg], "-o")) { 
                   1464:                mr->outputfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1465:                    argv[++arg] : DEFAULT_OUTPUT_FILE;
                   1466: 
1.55      frystyk  1467:            /* URI prefix */
                   1468:            } else if (!strcmp(argv[arg], "-prefix")) {
                   1469:                char * prefix = NULL;
                   1470:                prefix = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1471:                    argv[++arg] : DEFAULT_PREFIX;
1.62      frystyk  1472:                if (*prefix && *prefix != '*') {
1.55      frystyk  1473:                    StrAllocCopy(mr->prefix, prefix);
                   1474:                    StrAllocCat(mr->prefix, "*");
                   1475:                }
                   1476: 
1.1       frystyk  1477:            /* timeout -- Change the default request timeout */
                   1478:            } else if (!strcmp(argv[arg], "-timeout")) {
                   1479:                int timeout = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1480:                    atoi(argv[++arg]) : DEFAULT_TIMEOUT;
1.40      frystyk  1481:                if (timeout > 0) mr->timer = timeout;
1.1       frystyk  1482: 
1.54      frystyk  1483:            /* Force no pipelined requests */
                   1484:            } else if (!strcmp(argv[arg], "-nopipe")) {
1.64      frystyk  1485:                HTTP_setConnectionMode(HTTP_11_NO_PIPELINING);
1.54      frystyk  1486: 
1.48      frystyk  1487:            /* Start the persistent cache */
                   1488:            } else if (!strcmp(argv[arg], "-cache")) {
                   1489:                cache = YES;
                   1490: 
1.54      frystyk  1491:            /* Determine the cache root */
                   1492:            } else if (!strcmp(argv[arg], "-cacheroot")) { 
                   1493:                cache_root = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1494:                    argv[++arg] : NULL;
1.51      frystyk  1495: 
1.52      frystyk  1496:            /* Stream write flush delay in ms */
                   1497:            } else if (!strcmp(argv[arg], "-delay")) {
                   1498:                int delay = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1499:                    atoi(argv[++arg]) : DEFAULT_DELAY;
                   1500:                HTHost_setDefaultWriteDelay(delay);
                   1501: 
1.48      frystyk  1502:            /* Persistent cache flush */
                   1503:            } else if (!strcmp(argv[arg], "-flush")) {
                   1504:                flush = YES;
                   1505: 
                   1506:            /* Do a cache validation */
                   1507:            } else if (!strcmp(argv[arg], "-validate")) {
                   1508:                mr->flags |= MR_VALIDATE;
                   1509: 
                   1510:            /* Do an end-to-end cache-validation */
                   1511:            } else if (!strcmp(argv[arg], "-endvalidate")) {
                   1512:                mr->flags |= MR_END_VALIDATE;
                   1513: 
1.7       frystyk  1514:            /* preemptive or non-preemptive access */
1.1       frystyk  1515:            } else if (!strcmp(argv[arg], "-single")) {
1.7       frystyk  1516:                mr->flags |= MR_PREEMPTIVE;
1.2       frystyk  1517: 
                   1518:            /* test inlined images */
                   1519:            } else if (!strcmp(argv[arg], "-img")) {
                   1520:                mr->flags |= MR_IMG;
1.45      frystyk  1521: 
                   1522:            /* load inlined images */
                   1523:            } else if (!strcmp(argv[arg], "-saveimg")) {
                   1524:                mr->flags |= (MR_IMG | MR_SAVE);
1.59      frystyk  1525: 
                   1526:            /* URI prefix for inlined images */
                   1527:            } else if (!strcmp(argv[arg], "-imgprefix")) {
                   1528:                char * prefix = NULL;
                   1529:                prefix = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1530:                    argv[++arg] : DEFAULT_IMG_PREFIX;
1.62      frystyk  1531:                if (*prefix && *prefix!='*') {
1.59      frystyk  1532:                    StrAllocCopy(mr->img_prefix, prefix);
                   1533:                    StrAllocCat(mr->img_prefix, "*");
                   1534:                }
1.2       frystyk  1535: 
                   1536:            /* load anchors */
1.58      frystyk  1537:            } else if (!strcmp(argv[arg], "-link") || !strcmp(argv[arg], "-depth")) {
1.2       frystyk  1538:                mr->flags |= MR_LINK;
1.7       frystyk  1539:                mr->depth = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1540:                    atoi(argv[++arg]) : DEFAULT_DEPTH;
1.2       frystyk  1541: 
1.12      frystyk  1542:            /* Output start and end time */
                   1543:            } else if (!strcmp(argv[arg], "-ss")) {
                   1544:                mr->flags |= MR_TIME;
                   1545: 
1.1       frystyk  1546:            /* print version and exit */
                   1547:            } else if (!strcmp(argv[arg], "-version")) { 
                   1548:                VersionInfo();
                   1549:                Cleanup(mr, 0);
1.46      eric     1550: 
                   1551:            /* run in quiet mode */
                   1552:            } else if (!strcmp(argv[arg], "-q")) { 
                   1553:                mr->flags |= MR_QUIET;
1.1       frystyk  1554: 
1.62      frystyk  1555:            /* run in really quiet mode */
                   1556:            } else if (!strcmp(argv[arg], "-Q")) { 
                   1557:                mr->flags |= MR_REAL_QUIET;
                   1558: 
1.1       frystyk  1559: #ifdef WWWTRACE
                   1560:            /* trace flags */
                   1561:            } else if (!strncmp(argv[arg], "-v", 2)) {
1.24      frystyk  1562:                HTSetTraceMessageMask(argv[arg]+2);
1.1       frystyk  1563: #endif
                   1564: 
1.58      frystyk  1565: #ifdef HT_POSIX_REGEX
                   1566: 
                   1567:            /* If we can link against a POSIX regex library */
                   1568:            } else if (!strncmp(argv[arg], "-inc", 4)) {
                   1569:                if (arg+1 < argc && *argv[arg+1] != '-') {
1.60      frystyk  1570:                    mr->include = get_regtype(mr, argv[++arg], W3C_REGEX_FLAGS);
1.58      frystyk  1571:                }
                   1572:            } else if (!strncmp(argv[arg], "-exc", 4)) {
                   1573:                if (arg+1 < argc && *argv[arg+1] != '-') {
1.60      frystyk  1574:                    mr->exclude = get_regtype(mr, argv[++arg], W3C_REGEX_FLAGS);
1.58      frystyk  1575:                }
                   1576:            } else if (!strncmp(argv[arg], "-check", 6)) {
                   1577:                if (arg+1 < argc && *argv[arg+1] != '-') {
1.60      frystyk  1578:                    mr->check = get_regtype(mr, argv[++arg], W3C_REGEX_FLAGS);
1.58      frystyk  1579:                }
                   1580: #endif
                   1581: 
1.68      frystyk  1582: #ifdef HT_MYSQL
                   1583:            /* If we can link against a MYSQL database library */
                   1584:            } else if (!strncmp(argv[arg], "-sqldb", 5)) {
                   1585:                mr->sqldb = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1586:                    argv[++arg] : DEFAULT_SQL_DB;
                   1587: 
                   1588:            } else if (!strncmp(argv[arg], "-sqlclearlinks", 10)) {
                   1589:                mr->sqlflags |= HTSQLLOG_CLEAR_LINKS_TABLE;
                   1590: 
                   1591:            } else if (!strncmp(argv[arg], "-sqlclearrequests", 12)) {
                   1592:                mr->sqlflags |= HTSQLLOG_CLEAR_REQUESTS_TABLE;
                   1593: 
                   1594:            } else if (!strncmp(argv[arg], "-sqlclearresources", 12)) {
                   1595:                mr->sqlflags |= HTSQLLOG_CLEAR_RESOURCES_TABLE;
                   1596: 
                   1597:            } else if (!strncmp(argv[arg], "-sqlclearuris", 10)) {
                   1598:                mr->sqlflags |= HTSQLLOG_CLEAR_URIS_TABLE;
                   1599: 
                   1600:            } else if (!strncmp(argv[arg], "-sqlexternals", 5)) {
                   1601:                mr->sqlexternals = YES;
                   1602: 
                   1603:            } else if (!strncmp(argv[arg], "-sqlpassword", 5)) {
                   1604:                mr->sqlpw = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1605:                    argv[++arg] : DEFAULT_SQL_PW;
                   1606: 
                   1607:            } else if (!strncmp(argv[arg], "-sqlrelative", 5)) {
                   1608:                mr->sqlrelative = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1609:                    argv[++arg] : NULL;
                   1610: 
                   1611:            } else if (!strncmp(argv[arg], "-sqlserver", 5)) {
                   1612:                mr->sqlserver = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1613:                    argv[++arg] : DEFAULT_SQL_SERVER;
                   1614: 
                   1615:            } else if (!strncmp(argv[arg], "-sqluser", 5)) {
                   1616:                mr->sqluser = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1617:                    argv[++arg] : DEFAULT_SQL_USER;
                   1618: 
                   1619: #endif
                   1620: 
1.1       frystyk  1621:            } else {
1.62      frystyk  1622:                if (SHOW_REAL_QUIET(mr)) HTTrace("Bad Argument (%s)\n", argv[arg]);
1.1       frystyk  1623:            }
1.17      frystyk  1624:        } else {         /* If no leading `-' then check for URL or keywords */
1.1       frystyk  1625:            if (!keycnt) {
                   1626:                char * ref = HTParse(argv[arg], mr->cwd, PARSE_ALL);
1.56      frystyk  1627:                startAnchor = HTAnchor_parent(HTAnchor_findAddress(ref));
1.34      eric     1628:                HyperDoc_new(mr, startAnchor, 0);
1.1       frystyk  1629:                keycnt = 1;
1.11      frystyk  1630:                HT_FREE(ref);
1.1       frystyk  1631:            } else {               /* Check for successive keyword arguments */
                   1632:                char *escaped = HTEscape(argv[arg], URL_XALPHAS);
                   1633:                if (keycnt++ <= 1)
1.5       frystyk  1634:                    keywords = HTChunk_new(128);
1.1       frystyk  1635:                else
1.5       frystyk  1636:                    HTChunk_putc(keywords, ' ');
                   1637:                HTChunk_puts(keywords, HTStrip(escaped));
1.11      frystyk  1638:                HT_FREE(escaped);
1.1       frystyk  1639:            }
                   1640:        }
                   1641:     }
                   1642: 
                   1643: #ifdef CATCH_SIG
                   1644:     SetSignal();
                   1645: #endif
                   1646: 
                   1647:     if (!keycnt) {
1.62      frystyk  1648:        if (SHOW_REAL_QUIET(mr)) HTTrace("Please specify URL to check.\n");
1.61      frystyk  1649:        Cleanup(mr, -1);
                   1650:     }
                   1651: 
                   1652:     if (mr->depth != DEFAULT_DEPTH && 
                   1653:        (mr->prefix == NULL || *mr->prefix == '*')) {
1.62      frystyk  1654:        if (SHOW_REAL_QUIET(mr))
1.61      frystyk  1655:            HTTrace("A depth of more than 0 requires that you also specify a URI prefix.\n",
                   1656:                    mr->depth);
1.1       frystyk  1657:        Cleanup(mr, -1);
                   1658:     }
                   1659: 
1.23      manoli   1660:     /* Testing that HTTrace is working */
1.62      frystyk  1661:     if (mr->flags & MR_TIME) {
                   1662:        if (SHOW_REAL_QUIET(mr)) {
                   1663:            time_t local = time(NULL);
1.67      frystyk  1664:            HTTrace("Welcome to the W3C mini Robot version %s - started on %s\n",
                   1665:                    APP_VERSION, HTDateTimeStr(&local, YES));
1.62      frystyk  1666:        }
                   1667:     }
1.23      manoli   1668: 
1.1       frystyk  1669:     /* Rule file specified? */
                   1670:     if (mr->rules) {
                   1671:        char * rules = HTParse(mr->rules, mr->cwd, PARSE_ALL);
1.27      frystyk  1672:        if (!HTLoadRules(rules))
1.62      frystyk  1673:            if (SHOW_REAL_QUIET(mr)) HTTrace("Can't access rules\n");
1.11      frystyk  1674:        HT_FREE(rules);
1.1       frystyk  1675:     }
                   1676: 
                   1677:     /* Output file specified? */
                   1678:     if (mr->outputfile) {
                   1679:        if ((mr->output = fopen(mr->outputfile, "wb")) == NULL) {
1.62      frystyk  1680:            if (SHOW_REAL_QUIET(mr)) HTTrace("Can't open `%s'\n", mr->outputfile);
1.1       frystyk  1681:            mr->output = OUTPUT;
                   1682:        }
                   1683:     }
                   1684: 
1.48      frystyk  1685:     /* Should we use persistent cache? */
                   1686:     if (cache) {
1.54      frystyk  1687:        HTCacheInit(cache_root, 20);
1.49      frystyk  1688:        HTNet_addBefore(HTCacheFilter, "http://*", NULL, HT_FILTER_MIDDLE);
                   1689:        HTNet_addAfter(HTCacheUpdateFilter, "http://*", NULL,
                   1690:                       HT_NOT_MODIFIED, HT_FILTER_MIDDLE);
1.48      frystyk  1691: 
                   1692:        /* Should we start by flushing? */
                   1693:        if (flush) HTCache_flushAll();
                   1694:     }
1.68      frystyk  1695: 
                   1696:     /* SQL Log specified? */
                   1697: #ifdef HT_MYSQL
                   1698:     if (mr->sqlserver) {
                   1699:        if ((mr->sqllog =
1.69      frystyk  1700:             HTSQLLog_open(mr->sqlserver,
                   1701:                           mr->sqluser ? mr->sqluser : DEFAULT_SQL_USER,
                   1702:                           mr->sqlpw ? mr->sqlpw : DEFAULT_SQL_PW,
                   1703:                           mr->sqldb ? mr->sqldb : DEFAULT_SQL_DB,
                   1704:                           mr->sqlflags)) != NULL) {
1.68      frystyk  1705:            if (mr->sqlrelative) HTSQLLog_makeRelativeTo(mr->sqllog, mr->sqlrelative);
                   1706:        }
                   1707:     }
                   1708: #endif
1.48      frystyk  1709: 
1.58      frystyk  1710:     /* CLF Log file specified? */
1.55      frystyk  1711:     if (mr->logfile) {
                   1712:         mr->log = HTLog_open(mr->logfile, YES, YES);
                   1713:         if (mr->log) HTNet_addAfter(HTLogFilter, NULL, mr->log, HT_ALL, HT_FILTER_LATE);
1.57      frystyk  1714:     }
                   1715: 
1.58      frystyk  1716:     /* Referer Log file specified? */
1.57      frystyk  1717:     if (mr->reffile) {
                   1718:         mr->ref = HTLog_open(mr->reffile, YES, YES);
                   1719:         if (mr->ref)
                   1720:            HTNet_addAfter(HTRefererFilter, NULL, mr->ref, HT_ALL, HT_FILTER_LATE);
1.55      frystyk  1721:     }
1.1       frystyk  1722: 
1.58      frystyk  1723:     /* Not found error log specified? */
                   1724:     if (mr->notfoundfile) {
                   1725:         mr->notfound = HTLog_open(mr->notfoundfile, YES, YES);
                   1726:         if (mr->notfound)
                   1727:            HTNet_addAfter(HTRefererFilter, NULL, mr->notfound, -404, HT_FILTER_LATE);
                   1728:     }
                   1729: 
                   1730:     /* Negotiated resource log specified? */
                   1731:     if (mr->connegfile) mr->conneg = HTLog_open(mr->connegfile, YES, YES);
1.60      frystyk  1732: 
                   1733:     /* No alt tags log file specified? */
                   1734:     if (mr->noalttagfile) mr->noalttag = HTLog_open(mr->noalttagfile, YES, YES);
1.58      frystyk  1735: 
                   1736:     /* Reject Log file specified? */
                   1737:     if (mr->rejectfile) mr->reject = HTLog_open(mr->rejectfile, YES, YES);
                   1738: 
                   1739:     /* Register our own terminate filter */
1.32      frystyk  1740:     HTNet_addAfter(terminate_handler, NULL, NULL, HT_ALL, HT_FILTER_LAST);
1.40      frystyk  1741: 
                   1742:     /* Setting event timeout */
                   1743:     HTHost_setEventTimeout(mr->timer);
1.55      frystyk  1744: 
1.56      frystyk  1745:     mr->time = HTGetTimeInMillis();
1.37      frystyk  1746: 
1.34      eric     1747:     /* Start the request */
                   1748:     finger = Finger_new(mr, startAnchor, METHOD_GET);
1.43      frystyk  1749: 
                   1750:     /*
                   1751:     ** Make sure that the first request is flushed immediately and not
                   1752:     ** buffered in the output buffer
                   1753:     */
                   1754:     HTRequest_setFlush(finger->request, YES);
                   1755: 
                   1756:     /*
1.48      frystyk  1757:     ** Check whether we should do some kind of cache validation on
                   1758:     ** the load
                   1759:     */
                   1760:     if (mr->flags & MR_VALIDATE)
                   1761:        HTRequest_setReloadMode(finger->request, HT_CACHE_VALIDATE);
                   1762:     if (mr->flags & MR_END_VALIDATE)
                   1763:        HTRequest_setReloadMode(finger->request, HT_CACHE_END_VALIDATE);
                   1764: 
                   1765:     /*
1.43      frystyk  1766:     **  Now do the load
                   1767:     */
1.34      eric     1768:     if (mr->flags & MR_PREEMPTIVE)
                   1769:        HTRequest_setPreemptive(finger->request, YES);
1.1       frystyk  1770: 
                   1771:     if (keywords)                                                 /* Search */
1.34      eric     1772:        status = HTSearchAnchor(keywords, (HTAnchor *)startAnchor, finger->request);
1.1       frystyk  1773:     else
1.34      eric     1774:        status = HTLoadAnchor((HTAnchor *)startAnchor, finger->request);
1.1       frystyk  1775: 
1.5       frystyk  1776:     if (keywords) HTChunk_delete(keywords);
1.1       frystyk  1777:     if (status != YES) {
1.62      frystyk  1778:        if (SHOW_REAL_QUIET(mr)) HTTrace("Can't access resource\n");
1.1       frystyk  1779:        Cleanup(mr, -1);
                   1780:     }
                   1781: 
                   1782:     /* Go into the event loop... */
1.34      eric     1783:     HTEventList_loop(finger->request);
1.1       frystyk  1784: 
                   1785:     /* Only gets here if event loop fails */
                   1786:     Cleanup(mr, 0);
                   1787:     return 0;
                   1788: }

Webmaster