home *** CD-ROM | disk | FTP | other *** search
/ PC World 2002 September / PCWorld_2002-09_cd.bin / Software / Vyzkuste / httrack / httrack-3.20RC4.exe / {app} / src / htsindex.c < prev    next >
C/C++ Source or Header  |  2002-07-09  |  15KB  |  482 lines
  1. /* ------------------------------------------------------------ */
  2. /*
  3. HTTrack Website Copier, Offline Browser for Windows and Unix
  4. Copyright (C) Xavier Roche and other contributors
  5.  
  6. This program is free software; you can redistribute it and/or
  7. modify it under the terms of the GNU General Public License
  8. as published by the Free Software Foundation; either version 2
  9. of the License, or any later version.
  10.  
  11. This program is distributed in the hope that it will be useful,
  12. but WITHOUT ANY WARRANTY; without even the implied warranty of
  13. MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  14. GNU General Public License for more details.
  15.  
  16. You should have received a copy of the GNU General Public License
  17. along with this program; if not, write to the Free Software
  18. Foundation, Inc., 59 Temple Place - Suite 330, Boston, MA  02111-1307, USA.
  19.  
  20.  
  21. Important notes:
  22.  
  23. - We hereby ask people using this source NOT to use it in purpose of grabbing
  24. emails addresses, or collecting any other private information on persons.
  25. This would disgrace our work, and spoil the many hours we spent on it.
  26.  
  27.  
  28. Please visit our Website: http://www.httrack.com
  29. */
  30.  
  31.  
  32. /* ------------------------------------------------------------ */
  33. /* File: htsindex.c                                             */
  34. /*       keyword indexing system (search index)                 */
  35. /* Author: Xavier Roche                                         */
  36. /* ------------------------------------------------------------ */
  37.  
  38.  
  39. #include <stdio.h>
  40. #include <stdlib.h>
  41. #include "htsindex.h"
  42. #include "htsglobal.h"
  43. #include "htslib.h"
  44.  
  45. #if HTS_MAKE_KEYWORD_INDEX
  46. #include "htshash.h"
  47.  
  48.  
  49. /* Keyword Indexer Parameters */
  50.  
  51. // Maximum length for a keyword
  52. #define KEYW_LEN             50
  53. // Minimum length for a keyword - MUST NOT BE NULL!!!
  54. #define KEYW_MIN_LEN         3
  55. // What characters to accept? - MUST NOT BE EMPTY AND MUST NOT CONTAIN THE SPACE (32) CHARACTER!!!
  56. #define KEYW_ACCEPT          "abcdefghijklmnopqrstuvwxyz0123456789-_."
  57. // Convert A to a, and so on.. to avoid case problems in indexing
  58. // This can be a generic table, containing characters that are in fact not accepted by KEYW_ACCEPT
  59. // MUST HAVE SAME SIZES!!
  60. #define KEYW_TRANSCODE_FROM  (\
  61.                                "ABCDEFGHIJKLMNOPQRSTUVWXYZ" \
  62.                                "αΓΣ" \
  63.                                "└┬─" \
  64.                                "ΘΦΩδ" \
  65.                                "╚╚╩╦" \
  66.                                "∞ε∩" \
  67.                                "╠╬╧" \
  68.                                "≥⌠÷" \
  69.                                "╥╘╓" \
  70.                                "∙√ⁿ" \
  71.                                "┘█▄" \
  72.                                " " \
  73.                              )
  74. #define KEYW_TRANSCODE_TO    ( \
  75.                                "abcdefghijklmnopqrstuvwxyz" \
  76.                                "aaa" \
  77.                                "aaa" \
  78.                                "eeee" \
  79.                                "eeee" \
  80.                                "iii" \
  81.                                "iii" \
  82.                                "ooo" \
  83.                                "ooo" \
  84.                                "uuu" \
  85.                                "uuu" \
  86.                                "y" \
  87.                              )
  88. // These (accepted) characters will be ignored at begining of a keyword
  89. #define KEYW_IGNORE_BEG       "-_."
  90. // These (accepted) characters will be stripped if at the end of a keyword
  91. #define KEYW_STRIP_END       "-_."
  92. // Words begining with these (accepted) characters will be ignored
  93. #define KEYW_NOT_BEG         "0123456789"
  94. // Treat these characters as space characters - MUST NOT BE EMPTY!!!
  95. #define KEYW_SPACE           " ',;:!?\"\x0d\x0a\x09\x0c"
  96. // Common words (the,for..) detector
  97. // If a word represents more than KEYW_USELESS1K (%1000) of total words, then ignore it
  98. // 5 (0.5%)
  99. #define KEYW_USELESS1K       5
  100. // If a word is present in more than KEYW_USELESS1KPG (%1000) pages, then ignore it
  101. // 800 (80%)
  102. #define KEYW_USELESS1KPG     800
  103. // This number will be reduced by index hit for sorting purpose
  104. // leave it as it is here if you don't REALLY know what you are doing
  105. // Yes, I may be the only person, maybe
  106. #define KEYW_SORT_MAXCOUNT 999999999
  107.  
  108. /* End of Keyword Indexer Parameters */
  109.  
  110. int strcpos(char* adr,char c);
  111. int mystrcmp(const void* _e1,const void* _e2);
  112.  
  113. // Global variables
  114. int hts_index_init=1;
  115. int hts_primindex_size=0;
  116. FILE* fp_tmpproject=NULL;
  117. int hts_primindex_words=0;
  118.  
  119. #endif
  120.  
  121. /* 
  122.   Init index 
  123. */
  124. void index_init(const char* indexpath) {
  125. #if HTS_MAKE_KEYWORD_INDEX
  126.   /* remove(concat(indexpath,"index.txt")); */
  127.   hts_index_init=1;
  128.   hts_primindex_size=0;
  129.   hts_primindex_words=0;
  130.   fp_tmpproject=tmpfile();
  131. #endif
  132. }
  133.  
  134.  
  135. /* 
  136.    Indexing system
  137.    A little bit dirty, (quick'n dirty, in fact)
  138.    But should be okay on most cases
  139.    Tags and javascript handled (ignored)
  140. */
  141. int index_keyword(const char* html_data,LLint size,const char* mime,const char* filename,const char* indexpath) {
  142. #if HTS_MAKE_KEYWORD_INDEX
  143.   int intag=0,inscript=0,incomment=0;
  144.   char keyword[KEYW_LEN+32];
  145.   int i=0;
  146.   //
  147.   int WordIndexSize=1024;
  148.   inthash WordIndexHash=NULL;
  149.   FILE *tmpfp=NULL;
  150.   //
  151.  
  152.   // Check parameters
  153.   if (!html_data)
  154.     return 0;
  155.   if (!size)
  156.     return 0;
  157.   if (!mime)
  158.     return 0;
  159.   if (!filename)
  160.     return 0;
  161.  
  162.   // Init ?
  163.   if (hts_index_init) {
  164.     remove(concat(indexpath,"index.txt"));
  165.     remove(concat(indexpath,"sindex.html"));
  166.     hts_index_init=0;
  167.   }
  168.  
  169.   // Check MIME type
  170.   if (strfield2(mime,"text/html")) {
  171.     inscript=0;
  172.   } 
  173.   // FIXME - temporary fix for image/svg+xml (svg)
  174.   // "IN XML" (html like, in fact :) )
  175.   else if (
  176.     (strfield2(mime,"image/svg+xml"))
  177.     ) {
  178.     inscript=0;
  179.   }
  180.   else if (
  181.     (strfield2(mime,"application/x-javascript"))
  182.     || (strfield2(mime,"text/css"))
  183.     ) {
  184.     inscript=1;
  185.   } else
  186.     return 0;
  187.  
  188.   // Temporary file
  189.   tmpfp = tmpfile();
  190.   if (!tmpfp)
  191.     return 0;
  192.  
  193.   // Create hash structure
  194.   // Hash tables rulez da world!
  195.   WordIndexHash=inthash_new(WordIndexSize);
  196.   if (!WordIndexHash)
  197.     return 0;
  198.  
  199.   // Start indexing this page
  200.   keyword[0]='\0';
  201.   while(i<size) {
  202.     if (strfield(html_data + i , "<script")) {
  203.       inscript=1;
  204.     } 
  205.     else if (strfield(html_data + i , "<!--")) {
  206.       incomment=1;
  207.     }
  208.     else if (strfield(html_data + i , "</script")) {
  209.       if (!incomment)
  210.         inscript=0;
  211.     } 
  212.     else if (strfield(html_data + i , "-->")) {
  213.       incomment=0;
  214.     }
  215.     else if (html_data[i]=='<') {
  216.       if (!inscript)
  217.         intag=1;
  218.     }    
  219.     else if (html_data[i]=='>') {
  220.       intag=0;
  221.     }    
  222.     else {    
  223.       // Okay, parse keywords
  224.       if ( (!inscript) && (!incomment) && (!intag) ) {
  225.         char cchar=html_data[i];
  226.         int pos;
  227.         int len=strlen(keyword);
  228.         
  229.         // Replace (ignore case, and so on..)
  230.         if ((pos=strcpos(KEYW_TRANSCODE_FROM,cchar))>=0)
  231.           cchar=KEYW_TRANSCODE_TO[pos];
  232.         
  233.         if (strchr(KEYW_ACCEPT,cchar)) {
  234.           /* Ignore some characters at begining */
  235.           if ((len>0) || (!strchr(KEYW_IGNORE_BEG,cchar))) {
  236.             keyword[len++]=cchar;
  237.             keyword[len]='\0';
  238.           }
  239.         } else if ( (strchr(KEYW_SPACE,cchar)) || (!cchar) ) {
  240.  
  241.  
  242.           /* Avoid these words */
  243.           if (len>0) {
  244.             if (strchr(KEYW_NOT_BEG,keyword[0])) {
  245.               keyword[(len=0)]='\0';
  246.             }
  247.           }
  248.  
  249.           /* Strip ending . and so */
  250.           {
  251.             int ok=0;
  252.             while((len=strlen(keyword)) && (!ok)) {
  253.               if (strchr(KEYW_STRIP_END,keyword[len-1])) {      /* strip it */
  254.                 keyword[len-1]='\0';
  255.               } else
  256.                 ok=1;
  257.             }
  258.           }
  259.           
  260.           /* Store it ? */
  261.           if (len >= KEYW_MIN_LEN ) {
  262.             hts_primindex_words++;
  263.             if (inthash_inc(WordIndexHash,keyword)) {   /* added new */
  264.               fprintf(tmpfp,"%s\n",keyword);
  265.             }
  266.           }
  267.           keyword[(len=0)]='\0';
  268.         } else      /* Invalid */
  269.           keyword[(len=0)]='\0';
  270.  
  271.         if (len>KEYW_LEN) {
  272.           keyword[(len=0)]='\0';
  273.         }
  274.       }
  275.       
  276.     }
  277.     
  278.     i++;
  279.   }
  280.  
  281.   // Reset temp file
  282.   fseek(tmpfp,0,SEEK_SET);
  283.  
  284.   // Process indexing for this page
  285.   {
  286.     //FILE* fp=NULL;
  287.     //fp=fopen(concat(indexpath,"index.txt"),"ab");
  288.     if (fp_tmpproject) {
  289.       while(!feof(tmpfp)) {
  290.         char line[KEYW_LEN + 32];
  291.         linput(tmpfp,line,KEYW_LEN + 2);
  292.         if (strnotempty(line)) {
  293.           unsigned long int e=0;
  294.           if (inthash_read(WordIndexHash,line,&e)) {
  295.             //if (e) {
  296.             char savelst[HTS_URLMAXSIZE*2];
  297.             e++;          /* 0 means "once" */
  298.             
  299.             if (strncmp((const char*)fslash((char*)indexpath),filename,strlen(indexpath))==0)  // couper
  300.               strcpy(savelst,filename+strlen(indexpath));
  301.             else
  302.               strcpy(savelst,filename);
  303.             
  304.             // Add entry for this file and word
  305.             fprintf(fp_tmpproject,"%s %d %s\n",line,(int) (KEYW_SORT_MAXCOUNT - e),savelst);
  306.             hts_primindex_size++;
  307.             //}
  308.           }
  309.         }
  310.       }
  311.       //fclose(fp);
  312.     }
  313.   }
  314.  
  315.   // Delete temp file
  316.   fclose(tmpfp);
  317.   tmpfp=NULL;
  318.  
  319.   // Clear hash table
  320.   inthash_delete(&WordIndexHash);
  321. #endif
  322.   return 1;
  323. }
  324.  
  325. /*
  326.   Sort index!
  327. */
  328. void index_finish(const char* indexpath,int mode) {
  329. #if HTS_MAKE_KEYWORD_INDEX
  330.   char** tab;
  331.   char* blk;
  332.   int size;
  333.   
  334.   size=fpsize(fp_tmpproject);
  335.   if (size>0) {
  336.     //FILE* fp=fopen(concat(indexpath,"index.txt"),"rb");
  337.     if (fp_tmpproject) {
  338.       tab=(char**)malloct(sizeof(char*) * (hts_primindex_size+2) );
  339.       if (tab) {
  340.         blk = malloct(size+4);
  341.         if (blk) {
  342.           fseek(fp_tmpproject,0,SEEK_SET);
  343.           if ((int)fread(blk,1,size,fp_tmpproject) == size) {
  344.             char *a=blk,*b;
  345.             int index=0;
  346.             int i;
  347.             FILE* fp;
  348.  
  349.             while( (b=strchr(a,'\n')) && (index < hts_primindex_size) ) {
  350.               tab[index++]=a;
  351.               *b='\0';
  352.               a=b+1;
  353.             }
  354.             
  355.             // Sort it!
  356.             qsort(tab,index,sizeof(char*),mystrcmp);
  357.  
  358.             // Delete fp_tmpproject
  359.             fclose(fp_tmpproject);
  360.             fp_tmpproject=NULL;
  361.  
  362.             // Write new file
  363.             if (mode == 1)      // TEXT
  364.               fp=fopen(concat(indexpath,"index.txt"),"wb");
  365.             else                // HTML
  366.               fp=fopen(concat(indexpath,"sindex.html"),"wb");
  367.             if (fp) {
  368.               char current_word[KEYW_LEN + 32];
  369.               char word[KEYW_LEN + 32];
  370.               int hit;
  371.               int total_hit=0;
  372.               int total_line=0;
  373.               int last_pos=0;
  374.               char word0='\0';
  375.               current_word[0]='\0';
  376.  
  377.               if (mode == 2) {         // HTML
  378.                 for(i=0;i<index;i++) {
  379.                   if (word0 != tab[i][0]) {
  380.                     word0 = tab[i][0];
  381.                     fprintf(fp," <a href=\"#%c\">%c</a>\r\n",word0,word0);
  382.                   }
  383.                 }
  384.                 word0='\0';
  385.                 fprintf(fp,"<br><br>\r\n");
  386.                 fprintf(fp,"<table width=\"100%%\" border=\"0\">\r\n<tr>\r\n<td>word</td>\r\n<td>location\r\n");
  387.               }
  388.  
  389.               for(i=0;i<index;i++) {
  390.                 if (sscanf(tab[i],"%s %d",word,&hit) == 2) {
  391.                   char*  a=strchr(tab[i],' ');
  392.                   if (a) a=strchr(a+1,' ');
  393.                   if (a++) {                            /* Yes, a++, not ++a :) */
  394.                     hit=KEYW_SORT_MAXCOUNT-hit;
  395.                     if (strcmp(word,current_word)) {    /* New word */
  396.                       if (total_hit) {
  397.                         if (mode == 1)      // TEXT
  398.                           fprintf(fp,"\t=%d\r\n",total_hit);
  399.                         //else                // HTML
  400.                         //  fprintf(fp,"<br>(%d total hits)\r\n",total_hit);
  401.                         if ( 
  402.                               ( ((total_hit*1000 ) / hts_primindex_words) >= KEYW_USELESS1K   )
  403.                             ||
  404.                               ( ((total_line*1000) / index              ) >= KEYW_USELESS1KPG )
  405.                           ) {
  406.                           fseek(fp,last_pos,SEEK_SET);
  407.                           if (mode == 1)      // TEXT
  408.                             fprintf(fp,"\tignored (%d)\r\n",((total_hit*1000)/hts_primindex_words));
  409.                           else
  410.                             fprintf(fp,"(ignored) [%d hits]<br>\r\n",total_hit);
  411.                         }
  412.                         else {
  413.                           if (mode == 1)      // TEXT
  414.                             fprintf(fp,"\t(%d)\r\n",((total_hit*1000)/hts_primindex_words));
  415.                           //else                // HTML
  416.                           //  fprintf(fp,"(%d)\r\n",((total_hit*1000)/hts_primindex_words));
  417.                         }
  418.                       }
  419.                       if (mode == 1)      // TEXT
  420.                         fprintf(fp,"%s\r\n",word);
  421.                       else {              // HTML
  422.                         fprintf(fp,"</td></tr>\r\n");
  423.                         if (word0 != word[0]) {
  424.                           word0 = word[0];
  425.                           fprintf(fp,"<th>%c</th>\r\n",word0);
  426.                           fprintf(fp,"<a name=\"%c\"></a>\r\n",word0);
  427.                         }
  428.                         fprintf(fp,"<tr>\r\n<td>%s</td>\r\n<td>\r\n",word);
  429.                       }
  430.                       fflush(fp); last_pos=ftell(fp);
  431.                       strcpy(current_word,word);
  432.                       total_hit=total_line=0;
  433.                     }
  434.                     total_hit+=hit;
  435.                     total_line++;
  436.                     if (mode == 1)      // TEXT
  437.                       fprintf(fp,"\t%d %s\r\n",hit,a);
  438.                     else                // HTML
  439.                       fprintf(fp,"<a href=\"%s\">%s</a> [%d hits]<br>\r\n",a,a,hit);
  440.                   }
  441.                 }
  442.               }
  443.               if (mode == 2)         // HTML
  444.                 fprintf(fp,"</td></tr>\r\n</table>\r\n");
  445.               fclose(fp);
  446.             }
  447.             
  448.           }
  449.           freet(blk);
  450.         }
  451.         freet(tab);
  452.       }
  453.  
  454.     }
  455.     //qsort
  456.   }
  457.   if (fp_tmpproject)
  458.     fclose(fp_tmpproject);
  459.   fp_tmpproject=NULL;
  460. #endif
  461. }
  462.  
  463.  
  464. /* Subroutines */
  465.  
  466. #if HTS_MAKE_KEYWORD_INDEX
  467. int strcpos(char* adr,char c) {
  468.   char* apos=strchr(adr,c);
  469.   if (apos)
  470.     return (int)(apos-adr);
  471.   else
  472.     return -1;
  473. }
  474.  
  475. int mystrcmp(const void* _e1,const void* _e2) {
  476.   char** e1=(char**)_e1;
  477.   char** e2=(char**)_e2;
  478.   return strcmp(*e1,*e2);
  479. }
  480. #endif
  481.  
  482.