/**
* Предварительная обработка HTML-документа
*/
public function load(nc_search_indexer_crawler_response $response)
{
libxml_clear_errors();
// такое преобразование позволяет избавиться от некорректных для UTF-8
// последовательностей, из-за которых могут возникать неожиданные проблемы:
$html = mb_convert_encoding($response->get_body(), 'UTF-8', 'UTF-8');
// это позволит различать предложения, не оканчивающиеся на точку,
// после того, как будут убраны тэги (в макетах NetCat немало таких мест):
$html = str_ireplace(array("<div", "</div>", "<p", "</p>", "<ul", "<ol", "<li", "</li>", "<tr", "<td", "<br", "</a><a", "<option", "</option>", "</h1>", "</h2>", "</h3>", "</h4>", "</h5>"), array("\n\n<div", " \n\n</div>", "\n\n<p", " \n\n</p>", "\n\n<ul", "\n\n<ol", "\n\n<li", "\n</li>", "\n<tr", "\n<td", "\n<br", "</a> <a", "\n<option", "\n</option>", "\n\n</h1>", "\n\n</h2>", "\n\n</h3>", "\n\n</h4>", "\n\n</h5>"), $html);
// уберем тег script
$html = preg_replace("#<script(.*?)>(.*?)</script>#siu", '', $html);
$this->parts = array('document' => new nc_search_document_parser_html_fragment($html));
}
protected function request($method, $url)
{
try {
$this->http_client->{$method}($url);
$response = $this->http_client->currentResponse();
} catch (nc_search_indexer_crawler_exception $e) {
// слушателю не понравились заголовки
$response = $e->get_response();
}
$response["url"] = $url;
$response = new nc_search_indexer_crawler_response($response);
// if (nc_search::will_log(nc_search::LOG_CRAWLER_REQUEST)) {
$len = $response->get_content_length();
nc_search::log(nc_search::LOG_CRAWLER_REQUEST, strtoupper($method) . " {$url}\n" . "Response: {$response->get_code()}\n" . ($response->get_code() < 400 ? "Content-Type: " . $response->get_content_type() . "\n" . "Content-Length: " . (is_null($len) ? "no" : $len) . ", received: " . $response->get_body_length() . " bytes" : ''));
// }
return $response;
}
/**
* Обработать ответ пользователя (crawler)
* @param nc_search_indexer_crawler_response $response
* @param nc_search_indexer_link $link
* @return bool
*/
protected function process_response(nc_search_indexer_crawler_response $response, nc_search_indexer_link $link)
{
$content_type = $response->get_content_type();
$parser = $this->get_parser($content_type);
$parser->load($response);
// пусть парсер скажет, будем ли мы обрабатывать этот документ?
// (например, не будем, если есть meta robots=noindex)
if (!$parser->should_index()) {
return false;
}
// получить ссылки
$page_hrefs = $this->filter_links($parser->extract_links());
$page_url = $response->get_url();
// добавить ссылки в очередь (где-то там разберутся, чтобы ссылки
// не повторялись и были абсолютными):
$page_link_ids = $this->task->add_links($page_hrefs, $page_url);
// распарсить контент
$document = $parser->get_document();
$document->set_values(array('url' => $page_url, 'path' => nc_search_util::get_url_path($page_url), 'content_type' => $content_type, 'to_delete' => false, 'last_modified' => $response->get_last_modified()));
$this->apply_hierarchy_options($document);
if (nc_search::will_log(nc_search::LOG_PARSER_DOCUMENT_BRIEF)) {
nc_search::log(nc_search::LOG_PARSER_DOCUMENT_BRIEF, "Parsed document from '{$page_url}'. Indexed content: " . strlen($document->get('intact_content')) . " bytes");
}
if (nc_search::will_log(nc_search::LOG_PARSER_DOCUMENT_VERBOSE)) {
nc_search::log(nc_search::LOG_PARSER_DOCUMENT_VERBOSE, $document->dump());
}
// добавить в индекс
$this->index->process_document($document);
// сохранить информацию о том, кто куда ссылается
// (referrer_link_id сохраняется из-за неясностей/неточностей в ТЗ, которое
// подразумевает, что сбор ссылок может производиться на страницах,
// которые не сохраняются в индексе)
$referrer_link_id = (int) $link->get_id();
// might be null
$doc_id = (int) $document->get_id();
foreach ($page_link_ids as $page_link_id) {
if (!$page_link_id) {
continue;
}
$this->referrer_cache[] = "(" . $doc_id . "," . $referrer_link_id . "," . (int) $page_link_id . ")";
}
return true;
}
