home *** CD-ROM | disk | FTP | other *** search
/ PC World Komputer 2010 April / PCWorld0410.iso / hity wydania / Ubuntu 9.10 PL / karmelkowy-koliberek-desktop-9.10-i386-PL.iso / casper / filesystem.squashfs / usr / share / perl5 / LWP / RobotUA.pm < prev    next >
Text File  |  2009-06-15  |  8KB  |  309 lines

  1. package LWP::RobotUA;
  2.  
  3. require LWP::UserAgent;
  4. @ISA = qw(LWP::UserAgent);
  5. $VERSION = "5.827";
  6.  
  7. require WWW::RobotRules;
  8. require HTTP::Request;
  9. require HTTP::Response;
  10.  
  11. use Carp ();
  12. use HTTP::Status ();
  13. use HTTP::Date qw(time2str);
  14. use strict;
  15.  
  16.  
  17. #
  18. # Additional attributes in addition to those found in LWP::UserAgent:
  19. #
  20. # $self->{'delay'}    Required delay between request to the same
  21. #                     server in minutes.
  22. #
  23. # $self->{'rules'}     A WWW::RobotRules object
  24. #
  25.  
  26. sub new
  27. {
  28.     my $class = shift;
  29.     my %cnf;
  30.     if (@_ < 4) {
  31.     # legacy args
  32.     @cnf{qw(agent from rules)} = @_;
  33.     }
  34.     else {
  35.     %cnf = @_;
  36.     }
  37.  
  38.     Carp::croak('LWP::RobotUA agent required') unless $cnf{agent};
  39.     Carp::croak('LWP::RobotUA from address required')
  40.     unless $cnf{from} && $cnf{from} =~ m/\@/;
  41.  
  42.     my $delay = delete $cnf{delay} || 1;
  43.     my $use_sleep = delete $cnf{use_sleep};
  44.     $use_sleep = 1 unless defined($use_sleep);
  45.     my $rules = delete $cnf{rules};
  46.  
  47.     my $self = LWP::UserAgent->new(%cnf);
  48.     $self = bless $self, $class;
  49.  
  50.     $self->{'delay'} = $delay;   # minutes
  51.     $self->{'use_sleep'} = $use_sleep;
  52.  
  53.     if ($rules) {
  54.     $rules->agent($cnf{agent});
  55.     $self->{'rules'} = $rules;
  56.     }
  57.     else {
  58.     $self->{'rules'} = WWW::RobotRules->new($cnf{agent});
  59.     }
  60.  
  61.     $self;
  62. }
  63.  
  64.  
  65. sub delay     { shift->_elem('delay',     @_); }
  66. sub use_sleep { shift->_elem('use_sleep', @_); }
  67.  
  68.  
  69. sub agent
  70. {
  71.     my $self = shift;
  72.     my $old = $self->SUPER::agent(@_);
  73.     if (@_) {
  74.     # Changing our name means to start fresh
  75.     $self->{'rules'}->agent($self->{'agent'}); 
  76.     }
  77.     $old;
  78. }
  79.  
  80.  
  81. sub rules {
  82.     my $self = shift;
  83.     my $old = $self->_elem('rules', @_);
  84.     $self->{'rules'}->agent($self->{'agent'}) if @_;
  85.     $old;
  86. }
  87.  
  88.  
  89. sub no_visits
  90. {
  91.     my($self, $netloc) = @_;
  92.     $self->{'rules'}->no_visits($netloc) || 0;
  93. }
  94.  
  95. *host_count = \&no_visits;  # backwards compatibility with LWP-5.02
  96.  
  97.  
  98. sub host_wait
  99. {
  100.     my($self, $netloc) = @_;
  101.     return undef unless defined $netloc;
  102.     my $last = $self->{'rules'}->last_visit($netloc);
  103.     if ($last) {
  104.     my $wait = int($self->{'delay'} * 60 - (time - $last));
  105.     $wait = 0 if $wait < 0;
  106.     return $wait;
  107.     }
  108.     return 0;
  109. }
  110.  
  111.  
  112. sub simple_request
  113. {
  114.     my($self, $request, $arg, $size) = @_;
  115.  
  116.     # Do we try to access a new server?
  117.     my $allowed = $self->{'rules'}->allowed($request->uri);
  118.  
  119.     if ($allowed < 0) {
  120.     # Host is not visited before, or robots.txt expired; fetch "robots.txt"
  121.     my $robot_url = $request->uri->clone;
  122.     $robot_url->path("robots.txt");
  123.     $robot_url->query(undef);
  124.  
  125.     # make access to robot.txt legal since this will be a recursive call
  126.     $self->{'rules'}->parse($robot_url, ""); 
  127.  
  128.     my $robot_req = new HTTP::Request 'GET', $robot_url;
  129.     my $robot_res = $self->request($robot_req);
  130.     my $fresh_until = $robot_res->fresh_until;
  131.     if ($robot_res->is_success) {
  132.         my $c = $robot_res->content;
  133.         if ($robot_res->content_type =~ m,^text/, && $c =~ /^\s*Disallow\s*:/mi) {
  134.         $self->{'rules'}->parse($robot_url, $c, $fresh_until);
  135.         }
  136.         else {
  137.         $self->{'rules'}->parse($robot_url, "", $fresh_until);
  138.         }
  139.  
  140.     }
  141.     else {
  142.         $self->{'rules'}->parse($robot_url, "", $fresh_until);
  143.     }
  144.  
  145.     # recalculate allowed...
  146.     $allowed = $self->{'rules'}->allowed($request->uri);
  147.     }
  148.  
  149.     # Check rules
  150.     unless ($allowed) {
  151.     my $res = new HTTP::Response
  152.       &HTTP::Status::RC_FORBIDDEN, 'Forbidden by robots.txt';
  153.     $res->request( $request ); # bind it to that request
  154.     return $res;
  155.     }
  156.  
  157.     my $netloc = eval { local $SIG{__DIE__}; $request->uri->host_port; };
  158.     my $wait = $self->host_wait($netloc);
  159.  
  160.     if ($wait) {
  161.     if ($self->{'use_sleep'}) {
  162.         sleep($wait)
  163.     }
  164.     else {
  165.         my $res = new HTTP::Response
  166.           &HTTP::Status::RC_SERVICE_UNAVAILABLE, 'Please, slow down';
  167.         $res->header('Retry-After', time2str(time + $wait));
  168.         $res->request( $request ); # bind it to that request
  169.         return $res;
  170.     }
  171.     }
  172.  
  173.     # Perform the request
  174.     my $res = $self->SUPER::simple_request($request, $arg, $size);
  175.  
  176.     $self->{'rules'}->visit($netloc);
  177.  
  178.     $res;
  179. }
  180.  
  181.  
  182. sub as_string
  183. {
  184.     my $self = shift;
  185.     my @s;
  186.     push(@s, "Robot: $self->{'agent'} operated by $self->{'from'}  [$self]");
  187.     push(@s, "    Minimum delay: " . int($self->{'delay'}*60) . "s");
  188.     push(@s, "    Will sleep if too early") if $self->{'use_sleep'};
  189.     push(@s, "    Rules = $self->{'rules'}");
  190.     join("\n", @s, '');
  191. }
  192.  
  193. 1;
  194.  
  195.  
  196. __END__
  197.  
  198. =head1 NAME
  199.  
  200. LWP::RobotUA - a class for well-behaved Web robots
  201.  
  202. =head1 SYNOPSIS
  203.  
  204.   use LWP::RobotUA;
  205.   my $ua = LWP::RobotUA->new('my-robot/0.1', 'me@foo.com');
  206.   $ua->delay(10);  # be very nice -- max one hit every ten minutes!
  207.   ...
  208.  
  209.   # Then just use it just like a normal LWP::UserAgent:
  210.   my $response = $ua->get('http://whatever.int/...');
  211.   ...
  212.  
  213. =head1 DESCRIPTION
  214.  
  215. This class implements a user agent that is suitable for robot
  216. applications.  Robots should be nice to the servers they visit.  They
  217. should consult the F</robots.txt> file to ensure that they are welcomed
  218. and they should not make requests too frequently.
  219.  
  220. But before you consider writing a robot, take a look at
  221. <URL:http://www.robotstxt.org/>.
  222.  
  223. When you use a I<LWP::RobotUA> object as your user agent, then you do not
  224. really have to think about these things yourself; C<robots.txt> files
  225. are automatically consulted and obeyed, the server isn't queried
  226. too rapidly, and so on.  Just send requests
  227. as you do when you are using a normal I<LWP::UserAgent>
  228. object (using C<< $ua->get(...) >>, C<< $ua->head(...) >>,
  229. C<< $ua->request(...) >>, etc.), and this
  230. special agent will make sure you are nice.
  231.  
  232. =head1 METHODS
  233.  
  234. The LWP::RobotUA is a sub-class of LWP::UserAgent and implements the
  235. same methods. In addition the following methods are provided:
  236.  
  237. =over 4
  238.  
  239. =item $ua = LWP::RobotUA->new( %options )
  240.  
  241. =item $ua = LWP::RobotUA->new( $agent, $from )
  242.  
  243. =item $ua = LWP::RobotUA->new( $agent, $from, $rules )
  244.  
  245. The LWP::UserAgent options C<agent> and C<from> are mandatory.  The
  246. options C<delay>, C<use_sleep> and C<rules> initialize attributes
  247. private to the RobotUA.  If C<rules> are not provided, then
  248. C<WWW::RobotRules> is instantiated providing an internal database of
  249. F<robots.txt>.
  250.  
  251. It is also possible to just pass the value of C<agent>, C<from> and
  252. optionally C<rules> as plain positional arguments.
  253.  
  254. =item $ua->delay
  255.  
  256. =item $ua->delay( $minutes )
  257.  
  258. Get/set the minimum delay between requests to the same server, in
  259. I<minutes>.  The default is 1 minute.  Note that this number doesn't
  260. have to be an integer; for example, this sets the delay to 10 seconds:
  261.  
  262.     $ua->delay(10/60);
  263.  
  264. =item $ua->use_sleep
  265.  
  266. =item $ua->use_sleep( $boolean )
  267.  
  268. Get/set a value indicating whether the UA should sleep() if requests
  269. arrive too fast, defined as $ua->delay minutes not passed since
  270. last request to the given server.  The default is TRUE.  If this value is
  271. FALSE then an internal SERVICE_UNAVAILABLE response will be generated.
  272. It will have an Retry-After header that indicates when it is OK to
  273. send another request to this server.
  274.  
  275. =item $ua->rules
  276.  
  277. =item $ua->rules( $rules )
  278.  
  279. Set/get which I<WWW::RobotRules> object to use.
  280.  
  281. =item $ua->no_visits( $netloc )
  282.  
  283. Returns the number of documents fetched from this server host. Yeah I
  284. know, this method should probably have been named num_visits() or
  285. something like that. :-(
  286.  
  287. =item $ua->host_wait( $netloc )
  288.  
  289. Returns the number of I<seconds> (from now) you must wait before you can
  290. make a new request to this host.
  291.  
  292. =item $ua->as_string
  293.  
  294. Returns a string that describes the state of the UA.
  295. Mainly useful for debugging.
  296.  
  297. =back
  298.  
  299. =head1 SEE ALSO
  300.  
  301. L<LWP::UserAgent>, L<WWW::RobotRules>
  302.  
  303. =head1 COPYRIGHT
  304.  
  305. Copyright 1996-2004 Gisle Aas.
  306.  
  307. This library is free software; you can redistribute it and/or
  308. modify it under the same terms as Perl itself.
  309.