Verificador de Links Multi-Threads
Vamos usar nosso novo conhecimento para criar um verificador de links multi-threads. Comece em uma pĂĄgina da web e verifique se os links na pĂĄgina sĂŁo vĂĄlidos. Verifique recursivamente outras pĂĄginas no mesmo domĂnio e continue fazendo isso atĂ© que todas as pĂĄginas tenham sido validadas.
Para isso, vocĂȘ precisarĂĄ de um cliente HTTP como reqwest
. VocĂȘ tambĂ©m precisarĂĄ de uma maneira de encontrar links, podemos usar scraper
. Por fim, precisaremos de alguma maneira de lidar com erros, usaremos thiserror
.
Crie um novo projeto Cargo e adicione reqwest
como uma dependĂȘncia com:
cargo new link-checker
cd link-checker
cargo add --features blocking,rustls-tls reqwest
cargo add scraper
cargo add thiserror
Se
cargo add
falhar comerror: no such subcommand
, edite o arquivoCargo.toml
Ă mĂŁo. Adicione as dependĂȘncias listadas abaixo.
As chamadas cargo add
irĂŁo atualizar o arquivo Cargo.toml
para ficar assim:
[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"
Agora vocĂȘ pode baixar a pĂĄgina inicial. Tente com um pequeno site como https://www.google.org/
.
Seu arquivo src/main.rs
deve se parecer com isto:
use reqwest::blocking::Client;
use reqwest::Url;
use scraper::{Html, Selector};
use thiserror::Error;
#[derive(Error, Debug)]
enum Error {
#[error("request error: {0}")]
ReqwestError(#[from] reqwest::Error),
#[error("bad http response: {0}")]
BadResponse(String),
}
#[derive(Debug)]
struct CrawlCommand {
url: Url,
extract_links: bool,
}
fn visit_page(client: &Client, command: &CrawlCommand) -> Result<Vec<Url>, Error> {
println!("Verificando {:#}", 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!("Em {base_url:#}: ignorado nĂŁo analisĂĄvel {href:?}: {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!("Links: {links:#?}"),
Err(err) => println!("NĂŁo foi possĂvel extrair links: {err:#}"),
}
}
Execute o cĂłdigo em src/main.rs
com
cargo run
Tarefas
- Use threads para verificar os links em paralelo: envie as URLs a serem verificadas para um channel e deixe alguns threads verificarem as URLs em paralelo.
- Estenda isso para extrair recursivamente links de todas as pĂĄginas no domĂnio
www.google.org
. Coloque um limite mĂĄximo de 100 pĂĄginas ou menos para que vocĂȘ nĂŁo acabe sendo bloqueado pelo site.