src/phinde/Crawler.php

   1 <?php
   2 namespace phinde;
   3
   4 class Crawler
   5 {
   6     protected $es;
   7     protected $queue;
   8
   9     /**
  10      * If the links only should be shown, not queued
  11      */
  12     protected $showLinksOnly = false;
  13
  14     static $supportedIndexTypes = array(
  15         'application/atom+xml'  => '\\phinde\\LinkExtractor\\Atom',
  16         'application/xhtml+xml' => '\\phinde\\LinkExtractor\\Html',
  17         'text/html'             => '\\phinde\\LinkExtractor\\Html',
  18     );
  19
  20     public function __construct()
  21     {
  22         $this->es = new Elasticsearch($GLOBALS['phinde']['elasticsearch']);
  23         $this->queue = new Queue();
  24     }
  25
  26     public function crawl($url)
  27     {
  28         $res = $this->fetch($url);
  29         if ($res === false) {
  30             return;
  31         }
  32
  33         $linkInfos = $this->extractLinks($res);
  34         $linkInfos = $this->filterLinks($linkInfos);
  35         if ($this->showLinksOnly) {
  36             $this->showLinks($linkInfos);
  37         } else {
  38             $this->enqueue($linkInfos);
  39         }
  40     }
  41
  42     protected function fetch($url)
  43     {
  44         $existingDoc = $this->es->get($url);
  45
  46         $req = new HttpRequest($url);
  47         $req->setHeader(
  48             'accept',
  49             implode(',', array_keys(static::$supportedIndexTypes))
  50         );
  51         if ($existingDoc && isset($existingDoc->modate)) {
  52             $nMoDate = strtotime($existingDoc->modate);
  53             $req->setHeader('If-Modified-Since: ' . date('r', $nMoDate));
  54         }
  55
  56         $res = $req->send();
  57         if ($res->getStatus() === 304) {
  58             //not modified since last time, so don't crawl again
  59             return false;
  60         } else if ($res->getStatus() !== 200) {
  61             throw new \Exception(
  62                 "Response code is not 200 but "
  63                 . $res->getStatus() . ", stopping"
  64             );
  65         }
  66         return $res;
  67     }
  68
  69     protected function extractLinks(\HTTP_Request2_Response $res)
  70     {
  71         $mimetype = explode(';', $res->getHeader('content-type'))[0];
  72         if (!isset(static::$supportedIndexTypes[$mimetype])) {
  73             echo "MIME type not supported for indexing: $mimetype\n";
  74             return array();
  75         }
  76
  77         $class = static::$supportedIndexTypes[$mimetype];
  78         $extractor = new $class();
  79         return $extractor->extract($res);
  80     }
  81
  82     protected function filterLinks($linkInfos)
  83     {
  84         $filteredLinkInfos = array();
  85         foreach ($linkInfos as $linkInfo) {
  86             $allowed = Helper::isUrlAllowed($linkInfo->url);
  87             $crawl   = $allowed;
  88             $index   = $GLOBALS['phinde']['indexNonAllowed'] || $allowed;
  89
  90             if ($crawl && count($GLOBALS['phinde']['crawlBlacklist'])) {
  91                 foreach ($GLOBALS['phinde']['crawlBlacklist'] as $bl) {
  92                     if (preg_match('#' . $bl . '#', $linkInfo->url)) {
  93                         $crawl = false;
  94                     }
  95                 }
  96             }
  97
  98             $linkInfo->known = $this->es->isKnown($linkInfo->url);
  99             $linkInfo->crawl = $crawl;
 100             $linkInfo->index = $index;
 101             $filteredLinkInfos[] = $linkInfo;
 102         }
 103         return $filteredLinkInfos;
 104     }
 105
 106     protected function enqueue($linkInfos)
 107     {
 108         foreach ($linkInfos as $linkInfo) {
 109             if ($linkInfo->known) {
 110                 continue;
 111             }
 112             if ($linkInfo->crawl || $linkInfo->index) {
 113                 $this->es->markQueued($linkInfo->url);
 114             }
 115             if ($linkInfo->index) {
 116                 $this->queue->addToIndex(
 117                     $linkInfo->url, $linkInfo->title, $linkInfo->source
 118                 );
 119             }
 120             if ($linkInfo->crawl) {
 121                 $this->queue->addToCrawl($linkInfo->url);
 122             }
 123         }
 124     }
 125
 126     protected function showLinks($linkInfos)
 127     {
 128         foreach ($linkInfos as $linkInfo) {
 129             echo $linkInfo->url . "\n";
 130             if ($linkInfo->title) {
 131                 echo '   title: ' . $linkInfo->title . "\n";
 132                 echo '  source: ' . $linkInfo->source . "\n";
 133                 echo '   known: ' . intval($linkInfo->known)
 134                     . ', crawl: ' . intval($linkInfo->crawl)
 135                     . ', index: ' . intval($linkInfo->index) . "\n";
 136             }
 137         }
 138     }
 139
 140     public function setShowLinksOnly($showLinksOnly)
 141     {
 142         $this->showLinksOnly = $showLinksOnly;
 143     }
 144 }
 145 ?>