Comprobador de enlaces multihilo
Utilicemos nuestros nuevos conocimientos para crear un comprobador de enlaces multihilo. Debería empezar en una página web y comprobar que los enlaces de la página son válidos. Debería consultar otras páginas del mismo dominio y seguir haciéndolo hasta que todas las páginas se hayan validado.
Para ello, necesitarás un cliente HTTP como reqwest
. Crea un proyecto de Cargo y aplica reqwest
como una dependencia con:
cargo new link-checker
cd link-checker
cargo add --features blocking,rustls-tls reqwest
Si
cargo add
daerror: no such subcommand
, edita el archivoCargo.toml
de forma manual. Añade las dependencias que se indican más abajo.
También necesitarás una forma de encontrar enlaces. Podemos usar scraper
para eso:
cargo add scraper
Por último, necesitaremos algún método para gestionar los errores. Para ello, usaremos thiserror
:
cargo add thiserror
Las llamadas a cargo add
actualizarán el archivo Cargo.toml
para que tenga este aspecto:
[package]
name = "link-checker"
version = "0.1.0"
edition = "2021"
publish = false
[dependencies]
reqwest = { version = "0.11.12", features = ["blocking", "rustls-tls"] }
scraper = "0.13.0"
thiserror = "1.0.37"
Ya puedes descargar la página de inicio. Prueba con un sitio pequeño, como https://www.google.org/
.
El archivo src/main.rs
debería tener un aspecto similar a este:
use reqwest::blocking::Client; use reqwest::Url; use scraper::{Html, Selector}; use thiserror::Error; #[derive(Error, Debug)] enum Error { #[error("Error de solicitud: {0}")] ReqwestError(#[from] reqwest::Error), #[error("respuesta HTTP incorrecta: {0}")] BadResponse(String), } #[derive(Debug)] struct CrawlCommand { url: Url, extract_links: bool, } fn visit_page(client: &Client, command: &CrawlCommand) -> Result<Vec<Url>, Error> { println!("Comprobando {:#}", command.url); let response = client.get(command.url.clone()).send()?; if !response.status().is_success() { return Err(Error::BadResponse(response.status().to_string())); } let mut link_urls = Vec::new(); if !command.extract_links { return Ok(link_urls); } let base_url = response.url().to_owned(); let body_text = response.text()?; let document = Html::parse_document(&body_text); let selector = Selector::parse("a").unwrap(); let href_values = document .select(&selector) .filter_map(|element| element.value().attr("href")); for href in href_values { match base_url.join(href) { Ok(link_url) => { link_urls.push(link_url); } Err(err) => { println!("En {base_url:#}: {href:?} ignorado, no se puede analizar: {err}"); } } } Ok(link_urls) } fn main() { let client = Client::new(); let start_url = Url::parse("https://www.google.org").unwrap(); let crawl_command = CrawlCommand{ url: start_url, extract_links: true }; match visit_page(&client, &crawl_command) { Ok(links) => println!("Enlaces: {links:#?}"), Err(err) => println!("No se han podido extraer los enlaces: {err:#}"), } }
Ejecuta el código en src/main.rs
con
cargo run
Tasks
- Comprueba los enlaces en paralelo con los hilos: envía las URLs que se van a comprobar a un canal y deja que varios hilos comprueben las URLs en paralelo.
- Amplía esta opción para extraer enlaces de todas las páginas del dominio
www.google.org
. Define un límite máximo de 100 páginas para que el sitio no te bloquee.