Annotation of libwww/Robot/src/HTRobot.c, revision 1.73

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"
1.71      frystyk    20: #include "WWWSQL.h"
1.9       frystyk    21: 
1.4       frystyk    22: #include "HText.h"
1.1       frystyk    23: 
                     24: #include "HTRobot.h"                                    /* Implemented here */
                     25: 
1.58      frystyk    26: #ifdef HT_POSIX_REGEX
1.64      frystyk    27: #ifdef HAVE_RXPOSIX_H
                     28: #include <rxposix.h>
                     29: #else
1.62      frystyk    30: #ifdef HAVE_REGEX_H
                     31: #include <regex.h>
                     32: #endif
                     33: #endif
1.60      frystyk    34: #define        W3C_REGEX_FLAGS         (REG_EXTENDED | REG_NEWLINE)
1.58      frystyk    35: #endif
                     36: 
1.14      frystyk    37: #ifndef W3C_VERSION
1.33      eric       38: #define W3C_VERSION            "Unspecified"
1.1       frystyk    39: #endif
                     40: 
                     41: #define APP_NAME               "W3CRobot"
1.14      frystyk    42: #define APP_VERSION            W3C_VERSION
1.62      frystyk    43: #define COMMAND_LINE           "http://www.w3.org/Robot/User/CommandLine"
1.1       frystyk    44: 
                     45: #define DEFAULT_OUTPUT_FILE    "robot.out"
                     46: #define DEFAULT_RULE_FILE      "robot.conf"
1.58      frystyk    47: #define DEFAULT_LOG_FILE               "log-clf.txt"
                     48: #define DEFAULT_HIT_FILE               "log-hit.txt"
1.64      frystyk    49: #define DEFAULT_REL_FILE       "log-rel.txt"
1.63      frystyk    50: #define DEFAULT_LM_FILE        "log-lastmodified.txt"
                     51: #define DEFAULT_TITLE_FILE             "log-title.txt"
1.58      frystyk    52: #define DEFAULT_REFERER_FILE           "log-referer.txt"
                     53: #define DEFAULT_REJECT_FILE    "log-reject.txt"
                     54: #define DEFAULT_NOTFOUND_FILE          "log-notfound.txt"
                     55: #define DEFAULT_CONNEG_FILE    "log-conneg.txt"
1.60      frystyk    56: #define DEFAULT_NOALTTAG_FILE          "log-alt.txt"
1.58      frystyk    57: #define DEFAULT_FORMAT_FILE    "log-format.txt"
1.60      frystyk    58: #define DEFAULT_CHARSET_FILE   "log-charset.txt"
1.51      frystyk    59: #define DEFAULT_MEMLOG         "robot.mem"
1.55      frystyk    60: #define DEFAULT_PREFIX         ""
1.59      frystyk    61: #define DEFAULT_IMG_PREFIX     ""
1.7       frystyk    62: #define DEFAULT_DEPTH          0
1.53      frystyk    63: #define DEFAULT_DELAY          50                      /* Write delay in ms */
1.1       frystyk    64: 
1.68      frystyk    65: #define DEFAULT_SQL_SERVER     "localhost"
                     66: #define DEFAULT_SQL_DB         "webbot"
                     67: #define DEFAULT_SQL_USER       "webbot"
                     68: #define DEFAULT_SQL_PW         ""
                     69: 
1.51      frystyk    70: #if 0
1.65      frystyk    71: #define HT_MEMLOG              /* Is expensive in performance! */
1.51      frystyk    72: #endif
                     73: 
1.46      eric       74: /* #define SHOW_MSG            (WWWTRACE || HTAlert_interactive()) */
1.62      frystyk    75: #define SHOW_QUIET(mr)         ((mr) && !((mr)->flags & MR_QUIET))
                     76: #define SHOW_REAL_QUIET(mr)    ((mr) && !((mr)->flags & MR_REAL_QUIET))
1.1       frystyk    77: 
1.66      frystyk    78: #define DEFAULT_TIMEOUT                50000                  /* timeout in millis */
1.1       frystyk    79: 
                     80: #if defined(__svr4__)
                     81: #define CATCH_SIG
                     82: #endif
                     83: 
                     84: typedef enum _MRFlags {
1.45      frystyk    85:     MR_IMG             = 0x1,
                     86:     MR_LINK            = 0x2,
                     87:     MR_PREEMPTIVE      = 0x4,
                     88:     MR_TIME            = 0x8,
1.46      eric       89:     MR_SAVE            = 0x10,
1.48      frystyk    90:     MR_QUIET           = 0x20,
1.62      frystyk    91:     MR_REAL_QUIET      = 0x40,
                     92:     MR_VALIDATE                = 0x80,
                     93:     MR_END_VALIDATE    = 0x100,
1.63      frystyk    94:     MR_KEEP_META       = 0x200,
                     95:     MR_LOGGING         = 0x400,
                     96:     MR_DISTRIBUTIONS   = 0x800
1.1       frystyk    97: } MRFlags;
                     98: 
                     99: typedef struct _Robot {
1.2       frystyk   100:     int                        depth;                       /* How deep is our tree */
1.30      frystyk   101:     int                        cnt;                            /* Count of requests */
1.2       frystyk   102:     HTList *           hyperdoc;            /* List of our HyperDoc Objects */
1.4       frystyk   103:     HTList *           htext;                  /* List of our HText Objects */
1.34      eric      104:     HTList *           fingers;
1.59      frystyk   105: 
1.40      frystyk   106:     int                timer;
1.65      frystyk   107:     char *             cwd;                    /* Current dir URL */
1.1       frystyk   108:     char *             rules;
1.55      frystyk   109:     char *             prefix;
1.59      frystyk   110:     char *             img_prefix;
                    111: 
1.60      frystyk   112:     char *             logfile;                /* clf log */
1.55      frystyk   113:     HTLog *             log;
1.60      frystyk   114:     char *             reffile;                /* referer log */
1.57      frystyk   115:     HTLog *             ref;
1.60      frystyk   116:     char *             rejectfile;             /* unchecked links */
1.58      frystyk   117:     HTLog *            reject;
1.60      frystyk   118:     char *             notfoundfile;           /* links that returned 404 */
1.58      frystyk   119:     HTLog *            notfound;
1.60      frystyk   120:     char *             connegfile;             /* links that were conneg'ed */
1.58      frystyk   121:     HTLog *            conneg;
1.60      frystyk   122:     char *             noalttagfile;           /* images without alt tags*/
                    123:     HTLog *            noalttag;
                    124: 
                    125:     char *             hitfile;                /* links sorted after hit counts */
1.64      frystyk   126:     char *             relfile;                /* link sorted after relationships */
                    127:     HTLinkType         relation;               /* Specific relation to look for */
1.63      frystyk   128:     char *             titlefile;              /* links with titles */
1.60      frystyk   129:     char *             mtfile;                 /* media types encountered */
                    130:     char *             charsetfile;            /* charsets encountered */
1.63      frystyk   131:     char *             lmfile;                 /* sortef after last modified dates */
1.60      frystyk   132: 
                    133:     char *             outputfile;             
1.1       frystyk   134:     FILE *             output;
1.59      frystyk   135: 
1.1       frystyk   136:     MRFlags            flags;
1.55      frystyk   137: 
1.59      frystyk   138:     long               get_bytes;      /* Total number of bytes processed using GET*/
                    139:     long                get_docs;      /* Total number of documents using GET */
                    140: 
                    141:     long               head_bytes;     /* bytes processed bytes processed using HEAD */
                    142:     long                head_docs;     /* Total number of documents using HEAD*/
                    143: 
                    144:     long               other_docs;
                    145: 
1.56      frystyk   146:     ms_t               time;           /* Time of run */
1.58      frystyk   147: 
                    148: #ifdef HT_POSIX_REGEX
                    149:     regex_t *          include;
                    150:     regex_t *          exclude;
                    151:     regex_t *          check;
                    152: #endif
                    153: 
1.68      frystyk   154: #ifdef HT_MYSQL
                    155:     HTSQLLog *         sqllog;
                    156:     char *             sqlserver;
                    157:     char *             sqldb;
                    158:     char *             sqluser;
                    159:     char *             sqlpw;
                    160:     char *             sqlrelative;
                    161:     BOOL               sqlexternals;
                    162:     int                        sqlflags;
                    163: #endif
                    164: 
1.1       frystyk   165: } Robot;
1.34      eric      166: 
                    167: typedef struct _Finger {
                    168:     Robot * robot;
                    169:     HTRequest * request;
                    170:     HTParentAnchor * dest;
                    171: } Finger;
                    172: 
1.1       frystyk   173: typedef enum _LoadState {
                    174:     L_INVALID  = -2,
                    175:     L_LOADING  = -1,
                    176:     L_SUCCESS  = 0,
                    177:     L_ERROR
                    178: } LoadState;
                    179: 
                    180: /*
                    181: **  The HyperDoc object is bound to the anchor and contains information about
                    182: **  where we are in the search for recursive searches
                    183: */
                    184: typedef struct _HyperDoc {
                    185:     HTParentAnchor *   anchor;
                    186:     LoadState          state;
                    187:     int                        depth;
1.55      frystyk   188:     int                 hits;
1.1       frystyk   189: } HyperDoc;
                    190: 
                    191: /*
1.65      frystyk   192: ** This is the HText object that is created every time we start parsing an 
1.1       frystyk   193: ** HTML object
                    194: */
1.4       frystyk   195: struct _HText {
1.1       frystyk   196:     HTRequest *                request;
1.65      frystyk   197:     BOOL               follow;
1.4       frystyk   198: };
1.1       frystyk   199: 
1.58      frystyk   200: /*
                    201: **  A structure for calculating metadata distributions
                    202: */
                    203: typedef struct _MetaDist {
                    204:     HTAtom *           name;
                    205:     int                        hits;
                    206: } MetaDist;
                    207: 
                    208: /*
                    209: **  Some sorting algorithms
                    210: */
1.63      frystyk   211: PRIVATE HTComparer HitSort, FormatSort, LastModifiedSort, TitleSort;
1.58      frystyk   212: 
1.1       frystyk   213: PUBLIC HText * HTMainText = NULL;
                    214: PUBLIC HTParentAnchor * HTMainAnchor = NULL;
                    215: PUBLIC HTStyleSheet * styleSheet = NULL;
                    216: 
                    217: /* ------------------------------------------------------------------------- */
                    218: 
1.13      eric      219: /*     Standard (non-error) Output
                    220: **     ---------------------------
                    221: */
                    222: PUBLIC int OutputData(const char  * fmt, ...)
                    223: {
                    224:     int ret;
                    225:     va_list pArgs;
                    226:     va_start(pArgs, fmt);
                    227:     ret = vfprintf(stdout, fmt, pArgs);
                    228:     va_end(pArgs);
                    229:     return ret;
                    230: }
                    231: 
                    232: /* ------------------------------------------------------------------------- */
                    233: 
1.2       frystyk   234: /*     Create a "HyperDoc" object
                    235: **     --------------------------
                    236: **     A HyperDoc object contains information about whether we have already
                    237: **     started checking the anchor and the depth in our search
                    238: */
                    239: PRIVATE HyperDoc * HyperDoc_new (Robot * mr,HTParentAnchor * anchor, int depth)
                    240: {
                    241:     HyperDoc * hd;
1.14      frystyk   242:     if ((hd = (HyperDoc *) HT_CALLOC(1, sizeof(HyperDoc))) == NULL)
                    243:        HT_OUTOFMEM("HyperDoc_new");
1.2       frystyk   244:     hd->state = L_INVALID;
                    245:     hd->depth = depth;
1.55      frystyk   246:     hd->hits = 1;
1.2       frystyk   247:  
                    248:     /* Bind the HyperDoc object together with the Anchor Object */
                    249:     hd->anchor = anchor;
                    250:     HTAnchor_setDocument(anchor, (void *) hd);
                    251: 
                    252:     /* Add this HyperDoc object to our list */
                    253:     if (!mr->hyperdoc) mr->hyperdoc = HTList_new();
                    254:     HTList_addObject(mr->hyperdoc, (void *) hd);
                    255:     return hd;
                    256: }
                    257: 
                    258: /*     Delete a "HyperDoc" object
                    259: **     --------------------------
                    260: */
                    261: PRIVATE BOOL HyperDoc_delete (HyperDoc * hd)
                    262: {
                    263:     if (hd) {
1.11      frystyk   264:        HT_FREE (hd);
1.2       frystyk   265:        return YES;
                    266:     }
                    267:     return NO;
                    268: }
                    269: 
1.55      frystyk   270: /*
                    271: **  Sort the anchor array and log reference count
                    272: */
                    273: PRIVATE BOOL calculate_hits (Robot * mr, HTArray * array)
                    274: {
                    275:     if (mr && array) {
                    276:         HTLog * log = HTLog_open(mr->hitfile, YES, YES);
                    277:         if (log) {
                    278:             void ** data = NULL;
                    279:             HTParentAnchor * anchor = NULL;
                    280:             HTArray_sort(array, HitSort);
                    281:             anchor = (HTParentAnchor *) HTArray_firstObject(array, data);
                    282:            while (anchor) {
                    283:                 char * uri = HTAnchor_address((HTAnchor *) anchor);
                    284:                 HyperDoc * hd = (HyperDoc *) HTAnchor_document(anchor);
1.63      frystyk   285:                 if (uri && hd) HTLog_addText(log, "%8d %s\n", hd->hits, uri);
1.55      frystyk   286:                 HT_FREE(uri);
                    287:                 anchor = (HTParentAnchor *) HTArray_nextObject(array, data);
                    288:             }
                    289:        }
                    290:         HTLog_close(log);
                    291:         return YES;
                    292:     }
                    293:     return NO;
                    294: }
                    295: 
                    296: PRIVATE int HitSort (const void * a, const void * b)
                    297: {
                    298:     HyperDoc * aa = HTAnchor_document(*(HTParentAnchor **) a);
                    299:     HyperDoc * bb = HTAnchor_document(*(HTParentAnchor **) b);
                    300:     if (aa && bb) return (bb->hits - aa->hits);
                    301:     return bb - aa;
                    302: }
                    303: 
1.58      frystyk   304: /*
1.64      frystyk   305: **  Sort the anchor array and log link relations
                    306: */
                    307: PRIVATE BOOL calculate_linkRelations (Robot * mr, HTArray * array)
                    308: {
                    309:     if (mr && array) {
1.68      frystyk   310:         HTLog * log = mr->relfile ? HTLog_open(mr->relfile, YES, YES) : NULL;
                    311:        void ** data = NULL;
                    312:        HTParentAnchor * anchor = NULL;
                    313:        anchor = (HTParentAnchor *) HTArray_firstObject(array, data);
                    314:        while (anchor) {
                    315: 
                    316:            /*
                    317:            **  If we have a specific link relation to look for then do this.
                    318:            **  Otherwise look for all link relations.
                    319:            */
                    320:            if (mr->relation) {
                    321:                HTLink * link = HTAnchor_findLinkType((HTAnchor *) anchor, mr->relation);
                    322:                if (link) {
                    323:                    HTParentAnchor * dest = HTAnchor_parent(HTLink_destination(link));
                    324:                    char * src_uri = HTAnchor_address((HTAnchor *) anchor);
                    325:                    char * dest_uri = HTAnchor_address((HTAnchor *) dest);
                    326:                    if (src_uri && dest_uri) {
                    327: #ifdef HT_MYSQL
                    328:                        if (mr->sqllog) {
                    329:                            HTSQLLog_addLinkRelationship (mr->sqllog,
                    330:                                                          src_uri, dest_uri,
                    331:                                                          HTAtom_name(mr->relation),
                    332:                                                          NULL);
                    333:                        }
                    334: #endif
                    335:                        if (log) {
                    336:                            HTFormat format = HTAnchor_format(dest);
                    337:                            HTLog_addText(log, "%s %s %s --> %s\n",
                    338:                                          HTAtom_name(mr->relation),
                    339:                                          format != WWW_UNKNOWN ?
                    340:                                          HTAtom_name(format) : "<unknown>",
                    341:                                          src_uri, dest_uri);
                    342:                        }
                    343: 
                    344:                        /* Cleanup */
                    345:                        HT_FREE(src_uri);
                    346:                        HT_FREE(dest_uri);
                    347:                    }
                    348:                }
                    349:            } else {
                    350:                HTLink * link = HTAnchor_mainLink((HTAnchor *) anchor);
                    351:                HTList * sublinks = HTAnchor_subLinks((HTAnchor *) anchor);
                    352:                char * src_uri = HTAnchor_address((HTAnchor *) anchor);
                    353:                HTLinkType linktype;
                    354: 
                    355:                /* First look in the main link */
                    356:                if (link && (linktype = HTLink_type(link))) {               
                    357:                    HTParentAnchor * dest = HTAnchor_parent(HTLink_destination(link));
                    358:                    char * dest_uri = HTAnchor_address((HTAnchor *) dest);
                    359:                    if (src_uri && dest_uri) {
                    360: #ifdef HT_MYSQL
                    361:                        if (mr->sqllog) {
                    362:                            HTSQLLog_addLinkRelationship (mr->sqllog,
                    363:                                                          src_uri, dest_uri,
                    364:                                                          HTAtom_name(linktype),
                    365:                                                          NULL);
                    366:                        }
                    367: #endif
                    368:                        if (log) {
                    369:                            HTFormat format = HTAnchor_format(dest);
                    370:                            HTLog_addText(log, "%s %s %s --> %s\n",
                    371:                                          HTAtom_name(linktype),
                    372:                                          format != WWW_UNKNOWN ?
                    373:                                          HTAtom_name(format) : "<unknown>",
                    374:                                          src_uri, dest_uri);
                    375:                        }
                    376:                    }
                    377:                    HT_FREE(dest_uri);
                    378:                }
                    379: 
                    380:                /* and then in any sublinks */
                    381:                if (sublinks) {
                    382:                    HTLink * pres;
                    383:                    while ((pres = (HTLink *) HTList_nextObject(sublinks))) {
                    384:                        if ((linktype = HTLink_type(pres))) {
                    385:                            HTParentAnchor * dest = HTAnchor_parent(HTLink_destination(pres));
1.64      frystyk   386:                            char * dest_uri = HTAnchor_address((HTAnchor *) dest);
1.68      frystyk   387:                            if (src_uri && dest_uri) {
                    388: #ifdef HT_MYSQL
                    389:                                if (mr->sqllog) {
                    390:                                    HTSQLLog_addLinkRelationship (mr->sqllog,
                    391:                                                                  src_uri, dest_uri,
                    392:                                                                  HTAtom_name(linktype),
                    393:                                                                  NULL);
                    394:                                }
                    395: #endif
                    396:                                if (log) {
                    397:                                    HTFormat format = HTAnchor_format(dest);
                    398:                                    HTLog_addText(log, "%s %s %s --> %s\n",
                    399:                                                  HTAtom_name(linktype),
                    400:                                                  format != WWW_UNKNOWN ?
                    401:                                                  HTAtom_name(format) : "<unknown>",
                    402:                                                  src_uri, dest_uri);
                    403:                                }
1.64      frystyk   404:                                HT_FREE(dest_uri);
                    405:                            }
                    406:                        }
                    407:                    }
                    408:                }
1.68      frystyk   409: 
                    410:                /* Cleanup */
                    411:                HT_FREE(src_uri);
                    412:            }
                    413:            anchor = (HTParentAnchor *) HTArray_nextObject(array, data);
1.64      frystyk   414:        }
1.68      frystyk   415:         if (log) HTLog_close(log);
1.64      frystyk   416:         return YES;
                    417:     }
                    418:     return NO;
                    419: }
                    420: 
                    421: /*
1.63      frystyk   422: **  Sort the anchor array and log last modified date
                    423: */
                    424: PRIVATE BOOL calculate_lm (Robot * mr, HTArray * array)
                    425: {
                    426:     if (mr && array) {
                    427:         HTLog * log = HTLog_open(mr->lmfile, YES, YES);
                    428:         if (log) {
                    429:             void ** data = NULL;
                    430:             HTParentAnchor * anchor = NULL;
                    431:             HTArray_sort(array, LastModifiedSort);
                    432:             anchor = (HTParentAnchor *) HTArray_firstObject(array, data);
                    433:            while (anchor) {
                    434:                 char * uri = HTAnchor_address((HTAnchor *) anchor);
                    435:                 time_t lm = HTAnchor_lastModified(anchor);
                    436:                 if (uri && lm > 0)
                    437:                    HTLog_addText(log, "%s %s\n", HTDateTimeStr(&lm, NO), uri);
                    438:                 HT_FREE(uri);
                    439:                 anchor = (HTParentAnchor *) HTArray_nextObject(array, data);
                    440:             }
                    441:        }
                    442:         HTLog_close(log);
                    443:         return YES;
                    444:     }
                    445:     return NO;
                    446: }
                    447: 
                    448: PRIVATE int LastModifiedSort (const void * a, const void * b)
                    449: {
                    450:     time_t aa = HTAnchor_lastModified(*(HTParentAnchor **) a);
                    451:     time_t bb = HTAnchor_lastModified(*(HTParentAnchor **) b);
                    452:     return bb - aa;
                    453: }
                    454: 
                    455: /*
                    456: **  Sort the anchor array and log the document title
                    457: */
                    458: PRIVATE BOOL calculate_title (Robot * mr, HTArray * array)
                    459: {
                    460:     if (mr && array) {
                    461:         HTLog * log = HTLog_open(mr->titlefile, YES, YES);
                    462:         if (log) {
                    463:             void ** data = NULL;
                    464:             HTParentAnchor * anchor = NULL;
                    465:             HTArray_sort(array, TitleSort);
                    466:             anchor = (HTParentAnchor *) HTArray_firstObject(array, data);
                    467:            while (anchor) {
                    468:                 char * uri = HTAnchor_address((HTAnchor *) anchor);
                    469:                 const char * title = HTAnchor_title(anchor);
                    470:                HTCharset charset = HTAnchor_charset(anchor);
                    471:                 if (uri) HTLog_addText(log, "%s `%s\' %s\n",
                    472:                                       charset ? HTAtom_name(charset) : "<none>",
                    473:                                       title ? title : "<none>",
                    474:                                       uri);
                    475:                 HT_FREE(uri);
                    476:                 anchor = (HTParentAnchor *) HTArray_nextObject(array, data);
                    477:             }
                    478:        }
                    479:         HTLog_close(log);
                    480:         return YES;
                    481:     }
                    482:     return NO;
                    483: }
                    484: 
                    485: PRIVATE int TitleSort (const void * a, const void * b)
                    486: {
                    487:     const char * aa = HTAnchor_title(*(HTParentAnchor **) a);
                    488:     const char * bb = HTAnchor_title(*(HTParentAnchor **) b);
                    489:     return strcasecomp(bb?bb:"", aa?aa:"");
                    490: }
                    491: 
                    492: /*
1.58      frystyk   493: **  Calculate distributions for media types. The same mechanism
                    494: **  can be used for other characteristics with relatively
                    495: **  few outcomes.
                    496: */
                    497: PRIVATE HTList * mediatype_distribution (HTArray * array)
                    498: {
                    499:     if (array) {
                    500:        HTList * mt = HTList_new();
                    501:        MetaDist * pres = NULL;
                    502:        void ** data = NULL;
                    503:        HTParentAnchor * anchor = NULL;
                    504:        anchor = (HTParentAnchor *) HTArray_firstObject(array, data);
                    505:        while (anchor) {
                    506:            HTFormat format = HTAnchor_format(anchor);
                    507:            if (format && format != WWW_UNKNOWN) {
                    508:                HTList * cur = mt;
                    509: 
                    510:                /* If found then increase counter */
                    511:                while ((pres = (MetaDist *) HTList_nextObject(cur))) {
                    512:                    if (pres->name == format) {
                    513:                        pres->hits++;
                    514:                        break;
                    515:                    }
                    516:                }
                    517: 
                    518:                /* If not found then add new format to list */
                    519:                if (!pres) {
                    520:                     if ((pres = (MetaDist *) HT_CALLOC(1, sizeof(MetaDist))) == NULL)
                    521:                         HT_OUTOFMEM("mediatype_distribution");
                    522:                    pres->name = format;
                    523:                    pres->hits = 1;
                    524:                    HTList_addObject(mt, pres);
                    525:                    HTList_insertionSort(mt, FormatSort);
                    526:                }
                    527:            }
                    528: 
                    529:            /* Find next anchor in array */
                    530:            anchor = (HTParentAnchor *) HTArray_nextObject(array, data);
                    531:        }
                    532:        return mt;
                    533:     }
                    534:     return NULL;
                    535: }
                    536: 
1.60      frystyk   537: /*
                    538: **  Calculate distributions for charsets. The same mechanism
                    539: **  can be used for other characteristics with relatively
                    540: **  few outcomes.
                    541: */
                    542: PRIVATE HTList * charset_distribution (HTArray * array)
                    543: {
                    544:     if (array) {
                    545:        HTList * cs = HTList_new();
                    546:        MetaDist * pres = NULL;
                    547:        void ** data = NULL;
                    548:        HTParentAnchor * anchor = NULL;
                    549:        anchor = (HTParentAnchor *) HTArray_firstObject(array, data);
                    550:        while (anchor) {
                    551:            HTCharset charset = HTAnchor_charset(anchor);
                    552:            if (charset) {
                    553:                HTList * cur = cs;
                    554: 
                    555:                /* If found then increase counter */
                    556:                while ((pres = (MetaDist *) HTList_nextObject(cur))) {
                    557:                    if (pres->name == charset) {
                    558:                        pres->hits++;
                    559:                        break;
                    560:                    }
                    561:                }
                    562: 
                    563:                /* If not found then add new format to list */
                    564:                if (!pres) {
                    565:                     if ((pres = (MetaDist *) HT_CALLOC(1, sizeof(MetaDist))) == NULL)
                    566:                         HT_OUTOFMEM("charset_distribution");
                    567:                    pres->name = charset;
                    568:                    pres->hits = 1;
                    569:                    HTList_addObject(cs, pres);
                    570:                    HTList_insertionSort(cs, FormatSort);
                    571:                }
                    572:            }
                    573: 
                    574:            /* Find next anchor in array */
                    575:            anchor = (HTParentAnchor *) HTArray_nextObject(array, data);
                    576:        }
                    577:        return cs;
                    578:     }
                    579:     return NULL;
                    580: }
                    581: 
1.58      frystyk   582: PRIVATE int FormatSort (const void * a, const void * b)
                    583: {
                    584:     MetaDist * aa = (MetaDist *) a;
                    585:     MetaDist * bb = (MetaDist *) b;
                    586:     return strcmp(HTAtom_name(bb->name), HTAtom_name(aa->name));
                    587: }
                    588: 
                    589: PRIVATE BOOL log_meta_distribution (const char * logfile, HTList * distribution)
                    590: {
                    591:     if (logfile && distribution) {
                    592:         HTLog * log = HTLog_open(logfile, YES, YES);
                    593:        if (log) {
                    594:            HTList * cur = distribution;
                    595:            MetaDist * pres;
                    596:            while ((pres = (MetaDist *) HTList_nextObject(cur))) {
                    597:                if (pres->name) {
1.60      frystyk   598:                    HTLog_addText(log, "%8d %s\n", pres->hits, HTAtom_name(pres->name));
1.58      frystyk   599:                }
                    600:            }
                    601:            HTLog_close(log);
                    602:        }
                    603:     }
                    604:     return NO;
                    605: }
                    606: 
                    607: PRIVATE BOOL delete_meta_distribution (HTList * distribution)
                    608: {
                    609:     if (distribution) {
                    610:        HTList * cur = distribution;
                    611:        MetaDist * pres;
                    612:        while ((pres = (MetaDist *) HTList_nextObject(cur)))
                    613:            HT_FREE(pres);
                    614:        HTList_delete(distribution);    
                    615:        return YES;     
                    616:     }
                    617:     return NO;
                    618: }
                    619: 
                    620: 
1.55      frystyk   621: /*     Statistics
                    622: **     ----------
                    623: **     Calculates a bunch of statistics for the anchors traversed
                    624: */
                    625: PRIVATE BOOL calculate_statistics (Robot * mr)
                    626: {
1.59      frystyk   627:     long total_docs = mr->get_docs + mr->head_docs + mr->other_docs;
1.55      frystyk   628:     if (!mr) return NO;
                    629: 
                    630:     /* Calculate efficiency */
1.59      frystyk   631:     if (mr->time > 0) {
1.56      frystyk   632:        ms_t t = HTGetTimeInMillis() - mr->time;
                    633:        if (t > 0) {
1.60      frystyk   634:            double loadfactor = (mr->get_bytes / (t * 0.001));
                    635:            double reqprsec = (total_docs / (t * 0.001));
1.56      frystyk   636:            double secs = t / 1000.0;
1.55      frystyk   637:             char bytes[50];
1.62      frystyk   638:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   639:                HTTrace("\nAccessed %ld documents in %.2f seconds (%.2f requests pr sec)\n",
1.62      frystyk   640:                        total_docs, secs, reqprsec);
1.59      frystyk   641: 
                    642:             HTNumToStr(mr->get_bytes, bytes, 50);
1.62      frystyk   643:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   644:                HTTrace("\tDid a GET on %ld document(s) and downloaded %s bytes of document bodies (%2.1f bytes/sec)\n",
1.62      frystyk   645:                        mr->get_docs, bytes, loadfactor);
1.59      frystyk   646: 
                    647:             HTNumToStr(mr->head_bytes, bytes, 50);
1.62      frystyk   648:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   649:                HTTrace("\tDid a HEAD on %ld document(s) with a total of %s bytes\n",
1.62      frystyk   650:                        mr->head_docs, bytes);
1.55      frystyk   651:        }
                    652:     }
                    653: 
                    654:     /* Create an array of existing anchors */
1.59      frystyk   655:     if (total_docs > 1) {
                    656:        HTArray * array = HTAnchor_getArray(total_docs);
1.55      frystyk   657:         if (array) {
                    658: 
1.63      frystyk   659:            /* Distributions */
                    660:            if (mr->flags & MR_DISTRIBUTIONS) {
1.64      frystyk   661:                if (SHOW_REAL_QUIET(mr)) HTTrace("\nDistributions:\n");
1.63      frystyk   662:            }
                    663: 
1.55      frystyk   664:             /* Sort after hit counts */
1.63      frystyk   665:             if (mr->hitfile) {
                    666:                if (SHOW_REAL_QUIET(mr))
1.64      frystyk   667:                    HTTrace("\tLogged hit count distribution in file `%s\'\n",
1.63      frystyk   668:                            mr->hitfile);
                    669:                calculate_hits(mr, array);
                    670:            }
                    671: 
1.64      frystyk   672:             /* Sort after link relations */
1.68      frystyk   673: #ifdef HT_MYSQL
                    674:             if (mr->relfile || mr->sqllog) {
1.69      frystyk   675: #else
                    676:             if (mr->relfile) {
                    677: #endif
1.68      frystyk   678:                if (mr->relfile && SHOW_REAL_QUIET(mr))
1.64      frystyk   679:                    HTTrace("\tLogged link relationship distribution in file `%s\'\n",
                    680:                            mr->relfile);
                    681:                calculate_linkRelations(mr, array);
                    682:            }
                    683: 
1.63      frystyk   684:             /* Sort after modified date */
                    685:             if (mr->lmfile) {
                    686:                if (SHOW_REAL_QUIET(mr))
1.64      frystyk   687:                    HTTrace("\tLogged last modified distribution in file `%s\'\n",
1.63      frystyk   688:                            mr->lmfile);
                    689:                calculate_lm(mr, array);
                    690:            }
                    691: 
                    692:             /* Sort after title */
                    693:             if (mr->titlefile) {
                    694:                if (SHOW_REAL_QUIET(mr))
1.64      frystyk   695:                    HTTrace("\tLogged title distribution in file `%s\'\n",
1.63      frystyk   696:                            mr->titlefile);
                    697:                calculate_title(mr, array);
                    698:            }
1.55      frystyk   699: 
1.58      frystyk   700:             /* Find mediatype distribution */
                    701:            if (mr->mtfile) {
                    702:                HTList * mtdist = mediatype_distribution(array);
                    703:                if (mtdist) {
1.63      frystyk   704:                    if (SHOW_REAL_QUIET(mr))
1.64      frystyk   705:                        HTTrace("\tLogged media type distribution in file `%s\'\n",
1.63      frystyk   706:                                mr->mtfile);
1.58      frystyk   707:                    log_meta_distribution(mr->mtfile, mtdist);
                    708:                    delete_meta_distribution(mtdist);
                    709:                }
                    710:            }
1.55      frystyk   711: 
1.60      frystyk   712:             /* Find charset distribution */
                    713:            if (mr->charsetfile) {
                    714:                HTList * charsetdist = charset_distribution(array);
                    715:                if (charsetdist) {
1.63      frystyk   716:                    if (SHOW_REAL_QUIET(mr))
1.64      frystyk   717:                        HTTrace("\tLogged charset distribution in file `%s\'\n",
1.63      frystyk   718:                                mr->charsetfile);
1.60      frystyk   719:                    log_meta_distribution(mr->charsetfile, charsetdist);
                    720:                    delete_meta_distribution(charsetdist);
                    721:                }
                    722:            }
                    723: 
1.55      frystyk   724:             /* Add as may other stats here as you like */
1.60      frystyk   725:            /* ... */
1.58      frystyk   726:            
                    727:            /* Delete the array */
1.55      frystyk   728:             HTArray_delete(array);
                    729:         }
                    730:     }
                    731:     return YES;
                    732: }
                    733: 
1.1       frystyk   734: /*     Create a Command Line Object
                    735: **     ----------------------------
                    736: */
                    737: PRIVATE Robot * Robot_new (void)
                    738: {
                    739:     Robot * me;
1.41      frystyk   740:     if ((me = (Robot *) HT_CALLOC(1, sizeof(Robot))) == NULL)
1.14      frystyk   741:        HT_OUTOFMEM("Robot_new");
1.2       frystyk   742:     me->hyperdoc = HTList_new();
1.4       frystyk   743:     me->htext = HTList_new();
1.40      frystyk   744:     me->timer = DEFAULT_TIMEOUT;
1.25      frystyk   745:     me->cwd = HTGetCurrentDirectoryURL();
1.1       frystyk   746:     me->output = OUTPUT;
1.35      eric      747:     me->cnt = 0;
1.34      eric      748:     me->fingers = HTList_new();
1.1       frystyk   749:     return me;
                    750: }
                    751: 
                    752: /*     Delete a Command Line Object
                    753: **     ----------------------------
                    754: */
1.62      frystyk   755: PRIVATE BOOL Robot_delete (Robot * mr)
1.1       frystyk   756: {
1.62      frystyk   757:     if (mr) {
                    758:        HTList_delete(mr->fingers);
1.55      frystyk   759: 
                    760:                /* Calculate statistics */
1.62      frystyk   761:        calculate_statistics(mr);
1.55      frystyk   762: 
1.62      frystyk   763:         if (mr->hyperdoc) {
                    764:            HTList * cur = mr->hyperdoc;
1.2       frystyk   765:            HyperDoc * pres;
                    766:            while ((pres = (HyperDoc *) HTList_nextObject(cur)))
                    767:                HyperDoc_delete(pres);
1.62      frystyk   768:            HTList_delete(mr->hyperdoc);
1.2       frystyk   769:        }
1.62      frystyk   770:        if (mr->htext) {
                    771:            HTList * cur = mr->htext;
1.4       frystyk   772:            HText * pres;
                    773:            while ((pres = (HText *) HTList_nextObject(cur)))
                    774:                HText_free(pres);
1.62      frystyk   775:            HTList_delete(mr->htext);
1.4       frystyk   776:        }
1.62      frystyk   777: 
                    778:        /* Close all the log files */
1.63      frystyk   779:        if (mr->flags & MR_LOGGING) {
1.64      frystyk   780:            if (SHOW_REAL_QUIET(mr)) HTTrace("\nRaw Log files:\n");
1.63      frystyk   781:        }
                    782: 
1.62      frystyk   783:        if (mr->log) {
                    784:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   785:                HTTrace("\tLogged %5d entries in general log file `%s\'\n",
1.62      frystyk   786:                        HTLog_accessCount(mr->log), mr->logfile);
                    787:            HTLog_close(mr->log);
                    788:        }
                    789:        if (mr->ref) {
                    790:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   791:                HTTrace("\tLogged %5d entries in referer log file `%s\'\n",
1.62      frystyk   792:                        HTLog_accessCount(mr->ref), mr->reffile);
                    793:            HTLog_close(mr->ref);
                    794:        }
                    795:        if (mr->reject) {
                    796:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   797:                HTTrace("\tLogged %5d entries in rejected log file `%s\'\n",
1.62      frystyk   798:                        HTLog_accessCount(mr->reject), mr->rejectfile);
                    799:            HTLog_close(mr->reject);
                    800:        }
                    801:        if (mr->notfound) {
                    802:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   803:                HTTrace("\tLogged %5d entries in not found log file `%s\'\n",
1.62      frystyk   804:                        HTLog_accessCount(mr->notfound), mr->notfoundfile);
                    805:            HTLog_close(mr->notfound);
                    806:        }
                    807:        if (mr->conneg) {
                    808:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   809:                HTTrace("\tLogged %5d entries in content negotiation log file `%s\'\n",
1.62      frystyk   810:                        HTLog_accessCount(mr->conneg), mr->connegfile);
                    811:            HTLog_close(mr->conneg);
                    812:        }
                    813:        if (mr->noalttag) {
                    814:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   815:                HTTrace("\tLogged %5d entries in missing alt tag log file `%s\'\n",
1.62      frystyk   816:                        HTLog_accessCount(mr->noalttag), mr->noalttagfile);
                    817:            HTLog_close(mr->noalttag);
                    818:        }
                    819: 
                    820:        if (mr->output && mr->output != STDOUT) fclose(mr->output);
                    821: 
                    822:        if (mr->flags & MR_TIME) {
1.12      frystyk   823:            time_t local = time(NULL);
1.62      frystyk   824:            if (SHOW_REAL_QUIET(mr))
1.64      frystyk   825:                HTTrace("\nRobot terminated %s\n", HTDateTimeStr(&local, YES));
1.12      frystyk   826:        }
1.55      frystyk   827: 
1.58      frystyk   828: #ifdef HT_POSIX_REGEX
1.62      frystyk   829:        if (mr->include) {
                    830:            regfree(mr->include);
                    831:            HT_FREE(mr->include);
                    832:        }
                    833:        if (mr->exclude) {
                    834:            regfree(mr->exclude);
                    835:            HT_FREE(mr->exclude);
                    836:        }
                    837:        if (mr->check) {
                    838:            regfree(mr->check);
                    839:            HT_FREE(mr->check);
1.58      frystyk   840:        }
                    841: #endif
                    842: 
1.68      frystyk   843: #ifdef HT_MYSQL
                    844:        if (mr->sqllog) {
                    845:            HTSQLLog_close(mr->sqllog);
                    846:            mr->sqllog = NULL;
                    847:        }
                    848: #endif
                    849: 
1.62      frystyk   850:        HT_FREE(mr->cwd);
                    851:        HT_FREE(mr->prefix);
                    852:        HT_FREE(mr->img_prefix);
                    853:        HT_FREE(mr);
1.1       frystyk   854:        return YES;
                    855:     }
                    856:     return NO;
                    857: }
                    858: 
1.2       frystyk   859: /*
1.34      eric      860: **  This function creates a new finger object and initializes it with a new request
1.2       frystyk   861: */
1.34      eric      862: PRIVATE Finger * Finger_new (Robot * robot, HTParentAnchor * dest, HTMethod method)
1.2       frystyk   863: {
1.34      eric      864:     Finger * me;
                    865:     HTRequest * request = HTRequest_new();
                    866:     if ((me = (Finger *) HT_CALLOC(1, sizeof(Finger))) == NULL)
                    867:        HT_OUTOFMEM("Finger_new");
                    868:     me->robot = robot;
                    869:     me->request = request;
                    870:     me->dest = dest;
                    871:     HTList_addObject(robot->fingers, (void *)me);
                    872: 
1.48      frystyk   873:     /* Set the context for this request */
1.34      eric      874:     HTRequest_setContext (request, me);
1.48      frystyk   875: 
                    876:     /* Check the various flags to customize the request */
                    877:     if (robot->flags & MR_PREEMPTIVE)
                    878:        HTRequest_setPreemptive(request, YES);
                    879:     if (robot->flags & MR_VALIDATE)
                    880:        HTRequest_setReloadMode(request, HT_CACHE_VALIDATE);
                    881:     if (robot->flags & MR_END_VALIDATE)
                    882:        HTRequest_setReloadMode(request, HT_CACHE_END_VALIDATE);
                    883: 
                    884:     /* We wanna make sure that we are sending a Host header (default) */
1.34      eric      885:     HTRequest_addRqHd(request, HT_C_HOST);
1.48      frystyk   886: 
                    887:     /* Set the method for this request */
1.34      eric      888:     HTRequest_setMethod(request, method);
                    889:     robot->cnt++;
                    890:     return me;
1.2       frystyk   891: }
                    892: 
1.34      eric      893: PRIVATE int Finger_delete (Finger * me)
1.2       frystyk   894: {
1.34      eric      895:     HTList_removeObject(me->robot->fingers, (void *)me);
                    896:     me->robot->cnt--;
1.37      frystyk   897: 
                    898:     /*
                    899:     **  If we are down at one request then flush the output buffer
                    900:     */
                    901:     if (me->request) {
                    902:        if (me->robot->cnt == 1) HTRequest_forceFlush(me->request);
1.34      eric      903:        HTRequest_delete(me->request);
1.37      frystyk   904:     }
                    905: 
                    906:     /*
                    907:     **  Delete the request and free myself
                    908:     */
1.34      eric      909:     HT_FREE(me);
                    910:     return YES;
1.2       frystyk   911: }
                    912: 
                    913: /*
                    914: **  Cleanup and make sure we close all connections including the persistent
                    915: **  ones
                    916: */
1.1       frystyk   917: PRIVATE void Cleanup (Robot * me, int status)
                    918: {
                    919:     Robot_delete(me);
1.29      eric      920:     HTProfile_delete();
1.50      frystyk   921: #ifdef HT_MEMLOG
1.39      eric      922:     HTMemLog_close();
1.47      frystyk   923: #endif
                    924: 
1.1       frystyk   925: #ifdef VMS
                    926:     exit(status ? status : 1);
                    927: #else
                    928:     exit(status ? status : 0);
                    929: #endif
                    930: }
                    931: 
                    932: #ifdef CATCH_SIG
                    933: #include <signal.h>
                    934: /*                                                                 SetSignal
                    935: **  This function sets up signal handlers. This might not be necessary to
                    936: **  call if the application has its own handlers (lossage on SVR4)
                    937: */
                    938: PRIVATE void SetSignal (void)
                    939: {
                    940:     /* On some systems (SYSV) it is necessary to catch the SIGPIPE signal
                    941:     ** when attemting to connect to a remote host where you normally should
                    942:     ** get `connection refused' back
                    943:     */
                    944:     if (signal(SIGPIPE, SIG_IGN) == SIG_ERR) {
1.13      eric      945:        if (PROT_TRACE) HTTrace("HTSignal.... Can't catch SIGPIPE\n");
1.1       frystyk   946:     } else {
1.13      eric      947:        if (PROT_TRACE) HTTrace("HTSignal.... Ignoring SIGPIPE\n");
1.1       frystyk   948:     }
1.47      frystyk   949: 
1.50      frystyk   950: #ifdef HT_MEMLOG
1.44      eric      951:     HTMemLog_flush();
1.47      frystyk   952: #endif
                    953: 
1.1       frystyk   954: }
                    955: #endif /* CATCH_SIG */
                    956: 
1.58      frystyk   957: #ifdef HT_POSIX_REGEX
                    958: PRIVATE char * get_regerror (int errcode, regex_t * compiled)
                    959: {
                    960:     size_t length = regerror (errcode, compiled, NULL, 0);
                    961:     char * str = NULL;
                    962:     if ((str = (char *) HT_MALLOC(length+1)) == NULL)
                    963:        HT_OUTOFMEM("get_regerror");
                    964:     (void) regerror (errcode, compiled, str, length);
                    965:     return str;
                    966: }
                    967: 
1.60      frystyk   968: PRIVATE regex_t * get_regtype (Robot * mr, const char * regex_str, int cflags)
1.58      frystyk   969: {
                    970:     regex_t * regex = NULL;
                    971:     if (regex_str && *regex_str) {
                    972:        int status;
                    973:        if ((regex = (regex_t *) HT_CALLOC(1, sizeof(regex_t))) == NULL)
                    974:            HT_OUTOFMEM("get_regtype");
1.60      frystyk   975:        if ((status = regcomp(regex, regex_str, cflags))) {
1.58      frystyk   976:            char * err_msg = get_regerror(status, regex);
1.62      frystyk   977:            if (SHOW_REAL_QUIET(mr))
                    978:                HTTrace("Regular expression error: %s\n", err_msg);
1.58      frystyk   979:            HT_FREE(err_msg);
                    980:            Cleanup(mr, -1);
                    981:        }
                    982:     }
                    983:     return regex;
                    984: }
                    985: #endif
                    986: 
1.1       frystyk   987: PRIVATE void VersionInfo (void)
                    988: {
1.62      frystyk   989:     OutputData("W3C Sample Software\n\n");
                    990:     OutputData("\tW3C Mini Robot (%s) version %s\n", APP_NAME, APP_VERSION);
                    991:     OutputData("\tW3C Sample Library (libwww) version %s\n\n", HTLib_version());
                    992:     OutputData("For command line options, see\n\t%s\n\n", COMMAND_LINE);
1.13      eric      993:     OutputData("Please send feedback to <libwww@w3.org>\n");
1.1       frystyk   994: }
                    995: 
                    996: /*     terminate_handler
                    997: **     -----------------
1.2       frystyk   998: **     This function is registered to handle the result of the request.
                    999: **     If no more requests are pending then terminate program
1.1       frystyk  1000: */
1.32      frystyk  1001: PRIVATE int terminate_handler (HTRequest * request, HTResponse * response,
                   1002:                               void * param, int status) 
1.1       frystyk  1003: {
1.34      eric     1004:     Finger * finger = (Finger *) HTRequest_context(request);
1.46      eric     1005:     Robot * mr = finger->robot;
1.62      frystyk  1006:     if (SHOW_QUIET(mr)) HTTrace("Robot....... done with %s\n", HTAnchor_physical(finger->dest));
1.55      frystyk  1007: 
1.68      frystyk  1008: #ifdef HT_MYSQL
                   1009:     if (mr->sqllog) HTSQLLog_addEntry(mr->sqllog, request, status);
                   1010: #endif
                   1011: 
1.58      frystyk  1012:     /* Check if negotiated resource and whether we should log that*/
                   1013:     if (mr->conneg) {
                   1014:        HTAssocList * cur = HTResponse_variant(response);
                   1015:        if (cur) {
                   1016:            BOOL first = YES;
                   1017:            HTChunk * buffer = HTChunk_new(128);
                   1018:            char * uri = HTAnchor_address((HTAnchor *) finger->dest);
                   1019:            HTAssoc * pres;
1.60      frystyk  1020:            HTChunk_puts(buffer, uri);
1.58      frystyk  1021:            while ((pres = (HTAssoc *) HTAssocList_nextObject(cur))) {
                   1022:                char * value = HTAssoc_value(pres);
                   1023:                if (first) {
1.60      frystyk  1024:                    HTChunk_puts(buffer, "\t(");
1.58      frystyk  1025:                    first = NO;
                   1026:                } else
                   1027:                    HTChunk_puts(buffer, ", ");
                   1028: 
                   1029:                /* Output the name */
                   1030:                HTChunk_puts(buffer, HTAssoc_name(pres));
                   1031: 
                   1032:                /* Only output the value if not empty string */
1.60      frystyk  1033:                if (value && *value) {
1.58      frystyk  1034:                    HTChunk_puts(buffer, "=");
                   1035:                    HTChunk_puts(buffer, value);
                   1036:                }
                   1037:            }
1.60      frystyk  1038:            if (!first) HTChunk_puts(buffer, ")");
                   1039:            HTLog_addLine(mr->conneg, HTChunk_data(buffer));
1.58      frystyk  1040:            HTChunk_delete(buffer);
                   1041:            HT_FREE(uri);
                   1042:        }
                   1043:     }
                   1044: 
1.55      frystyk  1045:     /* Count the amount of body data that we have read */
1.59      frystyk  1046:     if (HTRequest_method(request) == METHOD_GET) {
                   1047:        int length = HTAnchor_length(HTRequest_anchor(request));
                   1048:        if (length > 0) mr->get_bytes += length;
                   1049:        mr->get_docs++;
                   1050:     } else if (HTRequest_method(request) == METHOD_HEAD) {
1.56      frystyk  1051:        int length = HTAnchor_length(HTRequest_anchor(request));
1.59      frystyk  1052:        if (length > 0) mr->head_bytes += length;
                   1053:        mr->head_docs++;
                   1054:     } else {
                   1055:        mr->other_docs++;
1.55      frystyk  1056:     }
                   1057: 
1.58      frystyk  1058:     /* Cleanup the anchor so that we don't drown in metainformation */
                   1059:     if (!(mr->flags & MR_KEEP_META))
                   1060:        HTAnchor_clearHeader(HTRequest_anchor(request));
                   1061: 
1.55      frystyk  1062:     /* Delete this thread */
1.34      eric     1063:     Finger_delete(finger);
1.55      frystyk  1064: 
                   1065:     /* Should we stop? */
1.46      eric     1066:     if (mr->cnt <= 0) {
1.62      frystyk  1067:        if (SHOW_QUIET(mr)) HTTrace("             Everything is finished...\n");
1.46      eric     1068:        Cleanup(mr, 0);                 /* No way back from here */
1.30      frystyk  1069:     }
1.62      frystyk  1070:     if (SHOW_QUIET(mr)) HTTrace("             %d outstanding request%s\n", mr->cnt, mr->cnt == 1 ? "" : "s");
1.1       frystyk  1071:     return HT_OK;
                   1072: }
                   1073: 
                   1074: /* ------------------------------------------------------------------------- */
                   1075: /*                             HTEXT INTERFACE                              */
                   1076: /* ------------------------------------------------------------------------- */
                   1077: 
                   1078: PUBLIC HText * HText_new2 (HTRequest * request, HTParentAnchor * anchor,
                   1079:                           HTStream * stream)
                   1080: {
                   1081:     HText * me;
1.34      eric     1082:     Finger * finger = (Finger *) HTRequest_context(request);
                   1083:     Robot * mr = finger->robot;
1.65      frystyk  1084:     char * robots = NULL;
                   1085: 
1.14      frystyk  1086:     if ((me = (HText *) HT_CALLOC(1, sizeof(HText))) == NULL)
                   1087:        HT_OUTOFMEM("HText_new2");
1.4       frystyk  1088: 
                   1089:     /* Bind the HText object together with the Request Object */
1.1       frystyk  1090:     me->request = request;
1.65      frystyk  1091:     me->follow = YES;
                   1092: 
                   1093:     /* Check to see if we have any meta tags */
                   1094:     if ((robots = HTAnchor_robots(anchor)) != NULL) {
                   1095:        char * strval = NULL;
                   1096:        char * ptr = NULL;
                   1097:        char * token = NULL;
                   1098:        StrAllocCopy(strval, robots);
                   1099:        ptr = strval;
                   1100:        while ((token = HTNextField(&ptr)) != NULL) {
                   1101:            if (!strcasecomp(token, "nofollow")) {
                   1102:                me->follow = NO;
                   1103:                break;
                   1104:            }
                   1105:        }
                   1106:        HT_FREE(strval);
                   1107:     }
1.4       frystyk  1108: 
                   1109:     /* Add this HyperDoc object to our list */
                   1110:     if (!mr->htext) mr->htext = HTList_new();
                   1111:     HTList_addObject(mr->htext, (void *) me);
1.1       frystyk  1112:     return me;
                   1113: }
                   1114: 
1.4       frystyk  1115: PUBLIC void HText_free (HText * me) {
1.11      frystyk  1116:     if (me) HT_FREE (me);
1.4       frystyk  1117: }
                   1118: 
1.1       frystyk  1119: PUBLIC void HText_beginAnchor (HText * text, HTChildAnchor * anchor)
                   1120: {
                   1121:     if (text && anchor) {
1.34      eric     1122:        Finger * finger = (Finger *) HTRequest_context(text->request);
                   1123:        Robot * mr = finger->robot;
1.1       frystyk  1124:        HTAnchor * dest = HTAnchor_followMainLink((HTAnchor *) anchor);
                   1125:        HTParentAnchor * dest_parent = HTAnchor_parent(dest);
1.7       frystyk  1126:        char * uri = HTAnchor_address((HTAnchor *) dest_parent);
1.1       frystyk  1127:        HyperDoc * hd = HTAnchor_document(dest_parent);
1.60      frystyk  1128:        HTParentAnchor * referer = HTRequest_anchor(text->request);
1.65      frystyk  1129:        BOOL match = text->follow;
1.58      frystyk  1130:        BOOL check = NO;
1.1       frystyk  1131: 
1.55      frystyk  1132:        if (!uri) return;
1.62      frystyk  1133:        if (SHOW_QUIET(mr)) HTTrace("Robot....... Found `%s\' - ", uri ? uri : "NULL\n");
1.55      frystyk  1134: 
                   1135:         if (hd) {
1.62      frystyk  1136:            if (SHOW_QUIET(mr)) HTTrace("Already checked\n");
1.55      frystyk  1137:             hd->hits++;
1.68      frystyk  1138: #ifdef HT_MYSQL
                   1139:            if (mr->sqllog) {
                   1140:                char * ref_addr = HTAnchor_address((HTAnchor *) referer);
                   1141:                if (ref_addr) {
                   1142:                    HTSQLLog_addLinkRelationship(mr->sqllog, ref_addr, uri,
                   1143:                                                 "referer", NULL);
                   1144:                    HT_FREE(ref_addr);
                   1145:                }
                   1146:            }
                   1147: #endif
1.58      frystyk  1148:            HT_FREE(uri);
                   1149:            return;
                   1150:        }
1.70      frystyk  1151: 
1.58      frystyk  1152:        /* Check for prefix match */
1.65      frystyk  1153:        if (match && mr->prefix) {
                   1154:            match = HTStrMatch(mr->prefix, uri) ? YES : NO;
                   1155:        }
1.58      frystyk  1156: 
                   1157: #ifdef HT_POSIX_REGEX
1.69      frystyk  1158:        /*
                   1159:        **  Check for any regular expression. The include may override
                   1160:        **  the prefix matching
                   1161:        */
                   1162:        if (mr->include) {
1.58      frystyk  1163:            match = regexec(mr->include, uri, 0, NULL, 0) ? NO : YES;
                   1164:        }
                   1165:        if (match && mr->exclude) {
                   1166:            match = regexec(mr->exclude, uri, 0, NULL, 0) ? YES : NO;
                   1167:        }
                   1168:        if (match && mr->check) {
                   1169:            check = regexec(mr->check, uri, 0, NULL, 0) ? NO : YES;
                   1170:        }
                   1171: #endif
                   1172: 
                   1173:        /* Test whether we already have a hyperdoc for this document */
                   1174:         if (mr->flags & MR_LINK && match && dest_parent) {
1.60      frystyk  1175:            HTParentAnchor * last_anchor = HTRequest_parent(text->request);
                   1176:            HyperDoc * last_doc = HTAnchor_document(last_anchor);
                   1177:            int depth = last_doc ? last_doc->depth+1 : 0;
1.34      eric     1178:            Finger * newfinger = Finger_new(mr, dest_parent, METHOD_GET);
                   1179:            HTRequest * newreq = newfinger->request;
1.2       frystyk  1180:            HyperDoc_new(mr, dest_parent, depth);
1.60      frystyk  1181:            HTRequest_setParent(newreq, referer);
1.58      frystyk  1182:            if (check || depth >= mr->depth) {
1.62      frystyk  1183:                if (SHOW_QUIET(mr)) HTTrace("loading at depth %d using HEAD\n", depth);
1.7       frystyk  1184:                HTRequest_setMethod(newreq, METHOD_HEAD);
                   1185:            } else {
1.62      frystyk  1186:                if (SHOW_QUIET(mr)) HTTrace("loading at depth %d\n", depth);
1.2       frystyk  1187:            }
                   1188:            if (HTLoadAnchor((HTAnchor *) dest_parent, newreq) != YES) {
1.62      frystyk  1189:                if (SHOW_QUIET(mr)) HTTrace("not tested!\n");
1.34      eric     1190:                Finger_delete(newfinger);
1.2       frystyk  1191:            }
1.7       frystyk  1192:        } else {
1.62      frystyk  1193:            if (SHOW_QUIET(mr)) HTTrace("does not fulfill constraints\n");
1.68      frystyk  1194: #ifdef HT_MYSQL
                   1195:            if (mr->reject || mr->sqllog) {
                   1196: #else  
1.60      frystyk  1197:            if (mr->reject) {
1.68      frystyk  1198: #endif
1.60      frystyk  1199:                if (referer) {
                   1200:                    char * ref_addr = HTAnchor_address((HTAnchor *) referer);
1.68      frystyk  1201:                    if (mr->reject && ref_addr)
                   1202:                        HTLog_addText(mr->reject, "%s --> %s\n", ref_addr, uri);
                   1203: #ifdef HT_MYSQL
                   1204:                    if (mr->sqllog && mr->sqlexternals && ref_addr)
                   1205:                        HTSQLLog_addLinkRelationship(mr->sqllog,
                   1206:                                                     ref_addr, uri,
                   1207:                                                     "referer", NULL);
                   1208: #endif
                   1209: 
1.60      frystyk  1210:                    HT_FREE(ref_addr);
                   1211:                }
                   1212:            }
1.2       frystyk  1213:        }
1.11      frystyk  1214:        HT_FREE(uri);
1.2       frystyk  1215:     }
                   1216: }
                   1217: 
                   1218: PUBLIC void HText_appendImage (HText * text, HTChildAnchor * anchor,
1.14      frystyk  1219:                               const char *alt, const char * align, BOOL isMap)
1.2       frystyk  1220: {
                   1221:     if (text && anchor) {
1.34      eric     1222:        Finger * finger = (Finger *) HTRequest_context(text->request);
                   1223:        Robot * mr = finger->robot;
1.59      frystyk  1224:        if (mr->flags & MR_IMG) {
1.60      frystyk  1225:            HTAnchor * dest = HTAnchor_followMainLink((HTAnchor *) anchor);
                   1226:            HTParentAnchor * dest_parent = HTAnchor_parent(dest);
                   1227:            char * uri = HTAnchor_address((HTAnchor *) dest_parent);
                   1228:            HyperDoc * hd = HTAnchor_document(dest_parent);
                   1229:            HTParentAnchor * referer = HTRequest_anchor(text->request);
1.59      frystyk  1230:            BOOL match = YES;
                   1231: 
1.72      frystyk  1232:            if (!uri) return;
1.59      frystyk  1233:            if (hd) {
1.62      frystyk  1234:                if (SHOW_QUIET(mr)) HTTrace("Already checked\n");
1.59      frystyk  1235:                hd->hits++;
1.68      frystyk  1236: #ifdef HT_MYSQL
                   1237:                if (mr->sqllog) {
                   1238:                    char * ref_addr = HTAnchor_address((HTAnchor *) referer);
                   1239:                    if (ref_addr) {
                   1240:                        HTSQLLog_addLinkRelationship(mr->sqllog,
                   1241:                                                     ref_addr, uri,
                   1242:                                                     "image", alt);
                   1243:                        HT_FREE(ref_addr);
                   1244:                    }
                   1245:                }
                   1246: #endif
1.11      frystyk  1247:                HT_FREE(uri);
1.59      frystyk  1248:                return;
1.2       frystyk  1249:            }
1.59      frystyk  1250: 
                   1251:            /* Check for prefix match */
                   1252:            if (mr->img_prefix) match = HTStrMatch(mr->img_prefix, uri) ? YES : NO;
                   1253: 
                   1254:            /* Test whether we already have a hyperdoc for this document */
                   1255:            if (match && dest) {
1.60      frystyk  1256:                Finger * newfinger = Finger_new(mr, dest_parent,
1.59      frystyk  1257:                                                mr->flags & MR_SAVE ?
                   1258:                                                METHOD_GET : METHOD_HEAD);
                   1259:                HTRequest * newreq = newfinger->request;
1.60      frystyk  1260:                HyperDoc_new(mr, dest_parent, 1);
                   1261:                HTRequest_setParent(newreq, referer);
                   1262: 
                   1263:                /* Check whether we should report missing ALT tags */
                   1264:                if (mr->noalttag && (alt==NULL || *alt=='\0')) {
                   1265:                    if (referer) {
                   1266:                        char * ref_addr = HTAnchor_address((HTAnchor *) referer);
                   1267:                        if (ref_addr) HTLog_addText(mr->noalttag, "%s --> %s\n", ref_addr, uri);
                   1268:                        HT_FREE(ref_addr);
                   1269:                    }
                   1270:                }
                   1271:                
1.62      frystyk  1272:                if (SHOW_QUIET(mr)) HTTrace("Robot....... Checking Image `%s\'\n", uri);
1.59      frystyk  1273:                if (HTLoadAnchor((HTAnchor *) dest, newreq) != YES) {
1.62      frystyk  1274:                    if (SHOW_QUIET(mr)) HTTrace("Robot....... Image not tested!\n");
1.59      frystyk  1275:                    Finger_delete(newfinger);
                   1276:                }
                   1277:            } else {
1.62      frystyk  1278:                if (SHOW_QUIET(mr)) HTTrace("does not fulfill constraints\n");
1.68      frystyk  1279: #ifdef HT_MYSQL
                   1280:                if (mr->reject || mr->sqllog) {
                   1281: #else  
1.60      frystyk  1282:                if (mr->reject) {
1.68      frystyk  1283: #endif
1.60      frystyk  1284:                    if (referer) {
                   1285:                        char * ref_addr = HTAnchor_address((HTAnchor *) referer);
1.68      frystyk  1286:                        if (mr->reject && ref_addr)
                   1287:                            HTLog_addText(mr->reject, "%s --> %s\n", ref_addr, uri);
                   1288: #ifdef HT_MYSQL
                   1289:                        if (mr->sqllog && mr->sqlexternals && ref_addr)
                   1290:                            HTSQLLog_addLinkRelationship(mr->sqllog,
                   1291:                                                         ref_addr, uri,
                   1292:                                                         "image", alt);
                   1293: #endif
                   1294: 
1.60      frystyk  1295:                        HT_FREE(ref_addr);
                   1296:                    }
                   1297:                }
1.1       frystyk  1298:            }
1.59      frystyk  1299:            HT_FREE(uri);
1.72      frystyk  1300:        }
                   1301:     }
                   1302: }
                   1303: 
                   1304: PUBLIC void HText_appendLink (HText * text, HTChildAnchor * anchor,
                   1305:                              const BOOL * present, const char ** value)
                   1306: {
                   1307:     if (text && anchor) {
                   1308:        Finger * finger = (Finger *) HTRequest_context(text->request);
                   1309:        Robot * mr = finger->robot;
                   1310:        if (SHOW_QUIET(mr))
                   1311:            HTTrace("Robot....... Received Link element with anchor %p\n", anchor);
                   1312:        HText_beginAnchor(text, anchor);
                   1313:     }
                   1314: }
                   1315: 
                   1316: PUBLIC void HText_appendObject (HText * text, int element_number,
                   1317:                                const BOOL * present, const char ** value)
                   1318: {
                   1319:     /* Here we can look for frames, link tags, meta tags etc. */
                   1320:     if (text && text->request) {
                   1321:        Finger * finger = (Finger *) HTRequest_context(text->request);
                   1322:        Robot * mr = finger->robot;
                   1323: 
                   1324:        if (SHOW_QUIET(mr))
                   1325:            HTTrace("Robot....... HText Object %p called with HTML element number %d\n",
                   1326:                    text, element_number);
                   1327: 
                   1328:        switch (element_number) {
                   1329: 
                   1330:        case HTML_FRAME:
                   1331:        {
                   1332:            HTChildAnchor * source = HTAnchor_findChildAndLink(
                   1333:                HTRequest_anchor(text->request),                        /* Parent */
                   1334:                NULL,                                                   /* Tag */
                   1335:                present[HTML_FRAME_SRC] ? value[HTML_FRAME_SRC] : NULL, /* Addresss */
                   1336:                NULL);                                                  /* Rels */
                   1337:            HText_beginAnchor(text, source);
                   1338:        }
                   1339:        break;
                   1340: 
                   1341:        case HTML_BODY:
                   1342:        {
                   1343:            HTChildAnchor * source = HTAnchor_findChildAndLink(
                   1344:                HTRequest_anchor(text->request),                        /* Parent */
                   1345:                NULL,                                                   /* Tag */
                   1346:                present[HTML_BODY_BACKGROUND] ? value[HTML_BODY_BACKGROUND] : NULL,  /* Addresss */
                   1347:                NULL);                                                  /* Rels */
                   1348:            HText_appendImage(text, source, NULL, NULL, NO);
                   1349:        }
                   1350:        break;
                   1351: 
                   1352:        default:
                   1353:            break;
1.1       frystyk  1354:        }
                   1355:     }
                   1356: }
                   1357: 
                   1358: PUBLIC void HText_endAnchor (HText * text) {}
1.14      frystyk  1359: PUBLIC void HText_appendText (HText * text, const char * str) {}
1.1       frystyk  1360: PUBLIC void HText_appendCharacter (HText * text, char ch) {}
                   1361: PUBLIC void HText_endAppend (HText * text) {}
                   1362: PUBLIC void HText_setStyle (HText * text, HTStyle * style) {}
                   1363: PUBLIC void HText_beginAppend (HText * text) {}
                   1364: PUBLIC void HText_appendParagraph (HText * text) {}
                   1365: 
1.48      frystyk  1366: PRIVATE int RobotTrace (const char * fmt, va_list pArgs)
                   1367: {
                   1368:     return (vfprintf(stderr, fmt, pArgs));
                   1369: }
                   1370: 
1.1       frystyk  1371: /* ------------------------------------------------------------------------- */
                   1372: /*                               MAIN PROGRAM                               */
                   1373: /* ------------------------------------------------------------------------- */
                   1374: 
                   1375: int main (int argc, char ** argv)
                   1376: {
1.48      frystyk  1377:     int                status = 0;
1.1       frystyk  1378:     int                arg;
1.48      frystyk  1379:     BOOL       cache = NO;                          /* Use persistent cache */
                   1380:     BOOL       flush = NO;                    /* flush the persistent cache */
1.54      frystyk  1381:     char *     cache_root = NULL;
1.1       frystyk  1382:     HTChunk *  keywords = NULL;                        /* From command line */
                   1383:     int                keycnt = 0;
1.12      frystyk  1384:     Robot *    mr = NULL;
1.43      frystyk  1385:     Finger *   finger = NULL;
                   1386:     HTParentAnchor * startAnchor = NULL;
1.1       frystyk  1387: 
                   1388:     /* Starts Mac GUSI socket library */
                   1389: #ifdef GUSI
                   1390:     GUSISetup(GUSIwithSIOUXSockets);
                   1391:     GUSISetup(GUSIwithInternetSockets);
                   1392: #endif
                   1393: 
                   1394: #ifdef __MWERKS__ /* STR */
                   1395:     InitGraf((Ptr) &qd.thePort); 
                   1396:     InitFonts(); 
                   1397:     InitWindows(); 
                   1398:     InitMenus(); TEInit(); 
                   1399:     InitDialogs(nil); 
                   1400:     InitCursor();
                   1401:     SIOUXSettings.asktosaveonclose = false;
                   1402:     argc=ccommand(&argv);
1.50      frystyk  1403: #endif /* __MWERKS__ */
1.1       frystyk  1404: 
1.50      frystyk  1405: #ifdef HT_MEMLOG
1.51      frystyk  1406:     HTMemLog_open(DEFAULT_MEMLOG, 8192, YES);
1.47      frystyk  1407: #endif
1.46      eric     1408: 
1.27      frystyk  1409:     /* Initiate W3C Reference Library with a robot profile */
                   1410:     HTProfile_newRobot(APP_NAME, APP_VERSION);
1.48      frystyk  1411:     HTTrace_setCallback(RobotTrace);
1.27      frystyk  1412: 
                   1413:     /* Add the default HTML parser to the set of converters */
                   1414:     {
                   1415:        HTList * converters = HTFormat_conversion();
                   1416:        HTMLInit(converters);
                   1417:     }
1.1       frystyk  1418: 
1.12      frystyk  1419:     /* Build a new robot object */
                   1420:     mr = Robot_new();
                   1421: 
1.1       frystyk  1422:     /* Scan command Line for parameters */
                   1423:     for (arg=1; arg<argc; arg++) {
                   1424:        if (*argv[arg] == '-') {
                   1425:            
                   1426:            /* non-interactive */
1.17      frystyk  1427:            if (!strcmp(argv[arg], "-n")) {
1.1       frystyk  1428:                HTAlert_setInteractive(NO);
                   1429: 
1.62      frystyk  1430:            /* help */
                   1431:            } else if (!strcmp(argv[arg], "-h") || !strcmp(argv[arg], "-?")) {
                   1432:                VersionInfo();
                   1433:                Cleanup(mr, 0);
                   1434: 
1.63      frystyk  1435:            /* clf log file */
1.1       frystyk  1436:            } else if (!strcmp(argv[arg], "-l")) {
                   1437:                mr->logfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1438:                    argv[++arg] : DEFAULT_LOG_FILE;
1.63      frystyk  1439:                mr->flags |= MR_LOGGING;
1.1       frystyk  1440: 
1.63      frystyk  1441:            /* referer log file */
1.58      frystyk  1442:            } else if (!strncmp(argv[arg], "-ref", 4)) {
1.57      frystyk  1443:                mr->reffile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1444:                    argv[++arg] : DEFAULT_REFERER_FILE;
1.63      frystyk  1445:                mr->flags |= MR_LOGGING;
1.57      frystyk  1446: 
1.58      frystyk  1447:            /* Not found error log file */
                   1448:            } else if (!strncmp(argv[arg], "-404", 4)) {
                   1449:                mr->notfoundfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1450:                    argv[++arg] : DEFAULT_NOTFOUND_FILE;
1.63      frystyk  1451:                mr->flags |= MR_LOGGING;
1.58      frystyk  1452: 
                   1453:            /* reject log file */
                   1454:            } else if (!strncmp(argv[arg], "-rej", 4)) {
                   1455:                mr->rejectfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1456:                    argv[++arg] : DEFAULT_REJECT_FILE;
1.63      frystyk  1457:                mr->flags |= MR_LOGGING;
1.58      frystyk  1458: 
1.63      frystyk  1459:            /* no alt tags log file */
                   1460:            } else if (!strncmp(argv[arg], "-alt", 4)) {
                   1461:                mr->noalttagfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1462:                    argv[++arg] : DEFAULT_NOALTTAG_FILE;
                   1463:                mr->flags |= MR_LOGGING;
                   1464: 
                   1465:            /* negotiated resource log file */
1.58      frystyk  1466:            } else if (!strncmp(argv[arg], "-neg", 4)) {
                   1467:                mr->connegfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1468:                    argv[++arg] : DEFAULT_CONNEG_FILE;
1.63      frystyk  1469:                mr->flags |= MR_LOGGING;
                   1470: 
                   1471:            /* hit file log */
                   1472:            } else if (!strcmp(argv[arg], "-hit")) {
                   1473:                mr->hitfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1474:                    argv[++arg] : DEFAULT_HIT_FILE;
                   1475:                mr->flags |= MR_DISTRIBUTIONS;
                   1476: 
1.64      frystyk  1477:            /* link relations file log */
                   1478:            } else if (!strcmp(argv[arg], "-rellog")) {
                   1479:                mr->relfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1480:                    argv[++arg] : DEFAULT_REL_FILE;
                   1481:                mr->flags |= MR_DISTRIBUTIONS;
                   1482: 
                   1483:            /* Specific link relation to look for (only used i also -rellog) */
                   1484:            } else if (!strcmp(argv[arg], "-relation")) {
                   1485:                mr->relation = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1486:                    (HTLinkType) HTAtom_caseFor(argv[++arg]) : NULL;
                   1487:                mr->flags |= MR_DISTRIBUTIONS;
                   1488: 
1.63      frystyk  1489:            /* last modified log file */
                   1490:            } else if (!strcmp(argv[arg], "-lm")) {
                   1491:                mr->lmfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1492:                    argv[++arg] : DEFAULT_LM_FILE;
                   1493:                mr->flags |= MR_DISTRIBUTIONS;
                   1494: 
                   1495:            /* title log file */
                   1496:            } else if (!strcmp(argv[arg], "-title")) {
                   1497:                mr->titlefile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1498:                    argv[++arg] : DEFAULT_TITLE_FILE;
                   1499:                mr->flags |= MR_DISTRIBUTIONS;
1.58      frystyk  1500: 
                   1501:            /* mediatype distribution log file */
                   1502:            } else if (!strncmp(argv[arg], "-for", 4)) {
                   1503:                mr->mtfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1504:                    argv[++arg] : DEFAULT_FORMAT_FILE;
1.63      frystyk  1505:                mr->flags |= (MR_KEEP_META | MR_DISTRIBUTIONS);
1.58      frystyk  1506: 
1.60      frystyk  1507:            /* charset distribution log file */
                   1508:            } else if (!strncmp(argv[arg], "-char", 5)) {
                   1509:                mr->charsetfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1510:                    argv[++arg] : DEFAULT_CHARSET_FILE;
1.63      frystyk  1511:                mr->flags |= (MR_KEEP_META | MR_DISTRIBUTIONS);
1.60      frystyk  1512: 
1.55      frystyk  1513:             /* rule file */
1.1       frystyk  1514:            } else if (!strcmp(argv[arg], "-r")) {
                   1515:                mr->rules = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1516:                    argv[++arg] : DEFAULT_RULE_FILE;
                   1517: 
                   1518:            /* output filename */
                   1519:            } else if (!strcmp(argv[arg], "-o")) { 
                   1520:                mr->outputfile = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1521:                    argv[++arg] : DEFAULT_OUTPUT_FILE;
                   1522: 
1.55      frystyk  1523:            /* URI prefix */
                   1524:            } else if (!strcmp(argv[arg], "-prefix")) {
                   1525:                char * prefix = NULL;
                   1526:                prefix = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1527:                    argv[++arg] : DEFAULT_PREFIX;
1.62      frystyk  1528:                if (*prefix && *prefix != '*') {
1.55      frystyk  1529:                    StrAllocCopy(mr->prefix, prefix);
                   1530:                    StrAllocCat(mr->prefix, "*");
                   1531:                }
                   1532: 
1.1       frystyk  1533:            /* timeout -- Change the default request timeout */
                   1534:            } else if (!strcmp(argv[arg], "-timeout")) {
                   1535:                int timeout = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1536:                    atoi(argv[++arg]) : DEFAULT_TIMEOUT;
1.40      frystyk  1537:                if (timeout > 0) mr->timer = timeout;
1.1       frystyk  1538: 
1.54      frystyk  1539:            /* Force no pipelined requests */
                   1540:            } else if (!strcmp(argv[arg], "-nopipe")) {
1.64      frystyk  1541:                HTTP_setConnectionMode(HTTP_11_NO_PIPELINING);
1.54      frystyk  1542: 
1.48      frystyk  1543:            /* Start the persistent cache */
                   1544:            } else if (!strcmp(argv[arg], "-cache")) {
                   1545:                cache = YES;
                   1546: 
1.54      frystyk  1547:            /* Determine the cache root */
                   1548:            } else if (!strcmp(argv[arg], "-cacheroot")) { 
                   1549:                cache_root = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1550:                    argv[++arg] : NULL;
1.51      frystyk  1551: 
1.52      frystyk  1552:            /* Stream write flush delay in ms */
                   1553:            } else if (!strcmp(argv[arg], "-delay")) {
                   1554:                int delay = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1555:                    atoi(argv[++arg]) : DEFAULT_DELAY;
                   1556:                HTHost_setDefaultWriteDelay(delay);
                   1557: 
1.48      frystyk  1558:            /* Persistent cache flush */
                   1559:            } else if (!strcmp(argv[arg], "-flush")) {
                   1560:                flush = YES;
                   1561: 
                   1562:            /* Do a cache validation */
                   1563:            } else if (!strcmp(argv[arg], "-validate")) {
                   1564:                mr->flags |= MR_VALIDATE;
                   1565: 
                   1566:            /* Do an end-to-end cache-validation */
                   1567:            } else if (!strcmp(argv[arg], "-endvalidate")) {
                   1568:                mr->flags |= MR_END_VALIDATE;
                   1569: 
1.7       frystyk  1570:            /* preemptive or non-preemptive access */
1.1       frystyk  1571:            } else if (!strcmp(argv[arg], "-single")) {
1.7       frystyk  1572:                mr->flags |= MR_PREEMPTIVE;
1.2       frystyk  1573: 
                   1574:            /* test inlined images */
                   1575:            } else if (!strcmp(argv[arg], "-img")) {
                   1576:                mr->flags |= MR_IMG;
1.45      frystyk  1577: 
                   1578:            /* load inlined images */
                   1579:            } else if (!strcmp(argv[arg], "-saveimg")) {
                   1580:                mr->flags |= (MR_IMG | MR_SAVE);
1.59      frystyk  1581: 
                   1582:            /* URI prefix for inlined images */
                   1583:            } else if (!strcmp(argv[arg], "-imgprefix")) {
                   1584:                char * prefix = NULL;
                   1585:                prefix = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1586:                    argv[++arg] : DEFAULT_IMG_PREFIX;
1.62      frystyk  1587:                if (*prefix && *prefix!='*') {
1.59      frystyk  1588:                    StrAllocCopy(mr->img_prefix, prefix);
                   1589:                    StrAllocCat(mr->img_prefix, "*");
                   1590:                }
1.2       frystyk  1591: 
                   1592:            /* load anchors */
1.58      frystyk  1593:            } else if (!strcmp(argv[arg], "-link") || !strcmp(argv[arg], "-depth")) {
1.2       frystyk  1594:                mr->flags |= MR_LINK;
1.7       frystyk  1595:                mr->depth = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1596:                    atoi(argv[++arg]) : DEFAULT_DEPTH;
1.2       frystyk  1597: 
1.12      frystyk  1598:            /* Output start and end time */
                   1599:            } else if (!strcmp(argv[arg], "-ss")) {
                   1600:                mr->flags |= MR_TIME;
                   1601: 
1.1       frystyk  1602:            /* print version and exit */
                   1603:            } else if (!strcmp(argv[arg], "-version")) { 
                   1604:                VersionInfo();
                   1605:                Cleanup(mr, 0);
1.46      eric     1606: 
                   1607:            /* run in quiet mode */
                   1608:            } else if (!strcmp(argv[arg], "-q")) { 
                   1609:                mr->flags |= MR_QUIET;
1.1       frystyk  1610: 
1.62      frystyk  1611:            /* run in really quiet mode */
                   1612:            } else if (!strcmp(argv[arg], "-Q")) { 
                   1613:                mr->flags |= MR_REAL_QUIET;
                   1614: 
1.1       frystyk  1615: #ifdef WWWTRACE
                   1616:            /* trace flags */
                   1617:            } else if (!strncmp(argv[arg], "-v", 2)) {
1.24      frystyk  1618:                HTSetTraceMessageMask(argv[arg]+2);
1.1       frystyk  1619: #endif
                   1620: 
1.58      frystyk  1621: #ifdef HT_POSIX_REGEX
                   1622: 
                   1623:            /* If we can link against a POSIX regex library */
                   1624:            } else if (!strncmp(argv[arg], "-inc", 4)) {
                   1625:                if (arg+1 < argc && *argv[arg+1] != '-') {
1.60      frystyk  1626:                    mr->include = get_regtype(mr, argv[++arg], W3C_REGEX_FLAGS);
1.58      frystyk  1627:                }
                   1628:            } else if (!strncmp(argv[arg], "-exc", 4)) {
                   1629:                if (arg+1 < argc && *argv[arg+1] != '-') {
1.60      frystyk  1630:                    mr->exclude = get_regtype(mr, argv[++arg], W3C_REGEX_FLAGS);
1.58      frystyk  1631:                }
                   1632:            } else if (!strncmp(argv[arg], "-check", 6)) {
                   1633:                if (arg+1 < argc && *argv[arg+1] != '-') {
1.60      frystyk  1634:                    mr->check = get_regtype(mr, argv[++arg], W3C_REGEX_FLAGS);
1.58      frystyk  1635:                }
                   1636: #endif
                   1637: 
1.68      frystyk  1638: #ifdef HT_MYSQL
                   1639:            /* If we can link against a MYSQL database library */
                   1640:            } else if (!strncmp(argv[arg], "-sqldb", 5)) {
                   1641:                mr->sqldb = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1642:                    argv[++arg] : DEFAULT_SQL_DB;
                   1643: 
                   1644:            } else if (!strncmp(argv[arg], "-sqlclearlinks", 10)) {
                   1645:                mr->sqlflags |= HTSQLLOG_CLEAR_LINKS_TABLE;
                   1646: 
                   1647:            } else if (!strncmp(argv[arg], "-sqlclearrequests", 12)) {
                   1648:                mr->sqlflags |= HTSQLLOG_CLEAR_REQUESTS_TABLE;
                   1649: 
                   1650:            } else if (!strncmp(argv[arg], "-sqlclearresources", 12)) {
                   1651:                mr->sqlflags |= HTSQLLOG_CLEAR_RESOURCES_TABLE;
                   1652: 
                   1653:            } else if (!strncmp(argv[arg], "-sqlclearuris", 10)) {
                   1654:                mr->sqlflags |= HTSQLLOG_CLEAR_URIS_TABLE;
                   1655: 
                   1656:            } else if (!strncmp(argv[arg], "-sqlexternals", 5)) {
                   1657:                mr->sqlexternals = YES;
                   1658: 
                   1659:            } else if (!strncmp(argv[arg], "-sqlpassword", 5)) {
                   1660:                mr->sqlpw = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1661:                    argv[++arg] : DEFAULT_SQL_PW;
                   1662: 
                   1663:            } else if (!strncmp(argv[arg], "-sqlrelative", 5)) {
                   1664:                mr->sqlrelative = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1665:                    argv[++arg] : NULL;
                   1666: 
                   1667:            } else if (!strncmp(argv[arg], "-sqlserver", 5)) {
                   1668:                mr->sqlserver = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1669:                    argv[++arg] : DEFAULT_SQL_SERVER;
                   1670: 
                   1671:            } else if (!strncmp(argv[arg], "-sqluser", 5)) {
                   1672:                mr->sqluser = (arg+1 < argc && *argv[arg+1] != '-') ?
                   1673:                    argv[++arg] : DEFAULT_SQL_USER;
                   1674: 
                   1675: #endif
                   1676: 
1.1       frystyk  1677:            } else {
1.62      frystyk  1678:                if (SHOW_REAL_QUIET(mr)) HTTrace("Bad Argument (%s)\n", argv[arg]);
1.1       frystyk  1679:            }
1.17      frystyk  1680:        } else {         /* If no leading `-' then check for URL or keywords */
1.1       frystyk  1681:            if (!keycnt) {
                   1682:                char * ref = HTParse(argv[arg], mr->cwd, PARSE_ALL);
1.56      frystyk  1683:                startAnchor = HTAnchor_parent(HTAnchor_findAddress(ref));
1.34      eric     1684:                HyperDoc_new(mr, startAnchor, 0);
1.1       frystyk  1685:                keycnt = 1;
1.11      frystyk  1686:                HT_FREE(ref);
1.1       frystyk  1687:            } else {               /* Check for successive keyword arguments */
                   1688:                char *escaped = HTEscape(argv[arg], URL_XALPHAS);
                   1689:                if (keycnt++ <= 1)
1.5       frystyk  1690:                    keywords = HTChunk_new(128);
1.1       frystyk  1691:                else
1.5       frystyk  1692:                    HTChunk_putc(keywords, ' ');
                   1693:                HTChunk_puts(keywords, HTStrip(escaped));
1.11      frystyk  1694:                HT_FREE(escaped);
1.1       frystyk  1695:            }
                   1696:        }
                   1697:     }
                   1698: 
                   1699: #ifdef CATCH_SIG
                   1700:     SetSignal();
                   1701: #endif
                   1702: 
                   1703:     if (!keycnt) {
1.62      frystyk  1704:        if (SHOW_REAL_QUIET(mr)) HTTrace("Please specify URL to check.\n");
1.61      frystyk  1705:        Cleanup(mr, -1);
                   1706:     }
                   1707: 
                   1708:     if (mr->depth != DEFAULT_DEPTH && 
                   1709:        (mr->prefix == NULL || *mr->prefix == '*')) {
1.62      frystyk  1710:        if (SHOW_REAL_QUIET(mr))
1.61      frystyk  1711:            HTTrace("A depth of more than 0 requires that you also specify a URI prefix.\n",
                   1712:                    mr->depth);
1.1       frystyk  1713:        Cleanup(mr, -1);
                   1714:     }
                   1715: 
1.23      manoli   1716:     /* Testing that HTTrace is working */
1.62      frystyk  1717:     if (mr->flags & MR_TIME) {
                   1718:        if (SHOW_REAL_QUIET(mr)) {
                   1719:            time_t local = time(NULL);
1.67      frystyk  1720:            HTTrace("Welcome to the W3C mini Robot version %s - started on %s\n",
                   1721:                    APP_VERSION, HTDateTimeStr(&local, YES));
1.62      frystyk  1722:        }
                   1723:     }
1.23      manoli   1724: 
1.1       frystyk  1725:     /* Rule file specified? */
                   1726:     if (mr->rules) {
                   1727:        char * rules = HTParse(mr->rules, mr->cwd, PARSE_ALL);
1.73    ! frystyk  1728:        if (!HTLoadRulesAutomatically(rules))
1.62      frystyk  1729:            if (SHOW_REAL_QUIET(mr)) HTTrace("Can't access rules\n");
1.11      frystyk  1730:        HT_FREE(rules);
1.1       frystyk  1731:     }
                   1732: 
                   1733:     /* Output file specified? */
                   1734:     if (mr->outputfile) {
                   1735:        if ((mr->output = fopen(mr->outputfile, "wb")) == NULL) {
1.62      frystyk  1736:            if (SHOW_REAL_QUIET(mr)) HTTrace("Can't open `%s'\n", mr->outputfile);
1.1       frystyk  1737:            mr->output = OUTPUT;
                   1738:        }
                   1739:     }
                   1740: 
1.48      frystyk  1741:     /* Should we use persistent cache? */
                   1742:     if (cache) {
1.54      frystyk  1743:        HTCacheInit(cache_root, 20);
1.49      frystyk  1744:        HTNet_addBefore(HTCacheFilter, "http://*", NULL, HT_FILTER_MIDDLE);
                   1745:        HTNet_addAfter(HTCacheUpdateFilter, "http://*", NULL,
                   1746:                       HT_NOT_MODIFIED, HT_FILTER_MIDDLE);
1.48      frystyk  1747: 
                   1748:        /* Should we start by flushing? */
                   1749:        if (flush) HTCache_flushAll();
                   1750:     }
1.68      frystyk  1751: 
                   1752:     /* SQL Log specified? */
                   1753: #ifdef HT_MYSQL
                   1754:     if (mr->sqlserver) {
                   1755:        if ((mr->sqllog =
1.69      frystyk  1756:             HTSQLLog_open(mr->sqlserver,
                   1757:                           mr->sqluser ? mr->sqluser : DEFAULT_SQL_USER,
                   1758:                           mr->sqlpw ? mr->sqlpw : DEFAULT_SQL_PW,
                   1759:                           mr->sqldb ? mr->sqldb : DEFAULT_SQL_DB,
                   1760:                           mr->sqlflags)) != NULL) {
1.68      frystyk  1761:            if (mr->sqlrelative) HTSQLLog_makeRelativeTo(mr->sqllog, mr->sqlrelative);
                   1762:        }
                   1763:     }
                   1764: #endif
1.48      frystyk  1765: 
1.58      frystyk  1766:     /* CLF Log file specified? */
1.55      frystyk  1767:     if (mr->logfile) {
                   1768:         mr->log = HTLog_open(mr->logfile, YES, YES);
                   1769:         if (mr->log) HTNet_addAfter(HTLogFilter, NULL, mr->log, HT_ALL, HT_FILTER_LATE);
1.57      frystyk  1770:     }
                   1771: 
1.58      frystyk  1772:     /* Referer Log file specified? */
1.57      frystyk  1773:     if (mr->reffile) {
                   1774:         mr->ref = HTLog_open(mr->reffile, YES, YES);
                   1775:         if (mr->ref)
                   1776:            HTNet_addAfter(HTRefererFilter, NULL, mr->ref, HT_ALL, HT_FILTER_LATE);
1.55      frystyk  1777:     }
1.1       frystyk  1778: 
1.58      frystyk  1779:     /* Not found error log specified? */
                   1780:     if (mr->notfoundfile) {
                   1781:         mr->notfound = HTLog_open(mr->notfoundfile, YES, YES);
                   1782:         if (mr->notfound)
                   1783:            HTNet_addAfter(HTRefererFilter, NULL, mr->notfound, -404, HT_FILTER_LATE);
                   1784:     }
                   1785: 
                   1786:     /* Negotiated resource log specified? */
                   1787:     if (mr->connegfile) mr->conneg = HTLog_open(mr->connegfile, YES, YES);
1.60      frystyk  1788: 
                   1789:     /* No alt tags log file specified? */
                   1790:     if (mr->noalttagfile) mr->noalttag = HTLog_open(mr->noalttagfile, YES, YES);
1.58      frystyk  1791: 
                   1792:     /* Reject Log file specified? */
                   1793:     if (mr->rejectfile) mr->reject = HTLog_open(mr->rejectfile, YES, YES);
                   1794: 
                   1795:     /* Register our own terminate filter */
1.32      frystyk  1796:     HTNet_addAfter(terminate_handler, NULL, NULL, HT_ALL, HT_FILTER_LAST);
1.40      frystyk  1797: 
                   1798:     /* Setting event timeout */
                   1799:     HTHost_setEventTimeout(mr->timer);
1.55      frystyk  1800: 
1.56      frystyk  1801:     mr->time = HTGetTimeInMillis();
1.37      frystyk  1802: 
1.34      eric     1803:     /* Start the request */
                   1804:     finger = Finger_new(mr, startAnchor, METHOD_GET);
1.43      frystyk  1805: 
                   1806:     /*
                   1807:     ** Make sure that the first request is flushed immediately and not
                   1808:     ** buffered in the output buffer
                   1809:     */
                   1810:     HTRequest_setFlush(finger->request, YES);
                   1811: 
                   1812:     /*
1.48      frystyk  1813:     ** Check whether we should do some kind of cache validation on
                   1814:     ** the load
                   1815:     */
                   1816:     if (mr->flags & MR_VALIDATE)
                   1817:        HTRequest_setReloadMode(finger->request, HT_CACHE_VALIDATE);
                   1818:     if (mr->flags & MR_END_VALIDATE)
                   1819:        HTRequest_setReloadMode(finger->request, HT_CACHE_END_VALIDATE);
                   1820: 
                   1821:     /*
1.43      frystyk  1822:     **  Now do the load
                   1823:     */
1.34      eric     1824:     if (mr->flags & MR_PREEMPTIVE)
                   1825:        HTRequest_setPreemptive(finger->request, YES);
1.1       frystyk  1826: 
                   1827:     if (keywords)                                                 /* Search */
1.34      eric     1828:        status = HTSearchAnchor(keywords, (HTAnchor *)startAnchor, finger->request);
1.1       frystyk  1829:     else
1.34      eric     1830:        status = HTLoadAnchor((HTAnchor *)startAnchor, finger->request);
1.1       frystyk  1831: 
1.5       frystyk  1832:     if (keywords) HTChunk_delete(keywords);
1.1       frystyk  1833:     if (status != YES) {
1.62      frystyk  1834:        if (SHOW_REAL_QUIET(mr)) HTTrace("Can't access resource\n");
1.1       frystyk  1835:        Cleanup(mr, -1);
                   1836:     }
                   1837: 
                   1838:     /* Go into the event loop... */
1.34      eric     1839:     HTEventList_loop(finger->request);
1.1       frystyk  1840: 
                   1841:     /* Only gets here if event loop fails */
                   1842:     Cleanup(mr, 0);
                   1843:     return 0;
                   1844: }

Webmaster