Перевірка багатопоточних посилань
Давайте використаємо наші нові знання, щоб створити багатопотоковий засіб перевірки лінків. Він має початися з веб-сторінки та перевірити, чи лінкі на сторінці дійсні. Він повинен рекурсивно перевіряти інші сторінки в тому самому домені та продовжувати робити це, доки всі сторінки не будуть перевірені.
Для цього вам знадобиться HTTP-клієнт, наприклад, reqwest
. Вам також знадобиться спосіб пошуку лінків, ми можемо використати scraper
. Нарешті, нам знадобиться спосіб обробки помилок, ми скористаємося thiserror
.
Створіть новий проект Cargo та додайте reqwest
як залежность з:
cargo new link-checker
cd link-checker
cargo add --features blocking,rustls-tls reqwest
cargo add scraper
cargo add thiserror
Якщо
cargo add
завершується помилкоюerror: no such subcommand
, будь ласка, відредагуйте файлCargo.toml
вручну. Додайте перелічені нижче залежності.
Виклики cargo add
оновлять файл Cargo.toml
таким чином:
[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"
Тепер ви можете завантажити стартову сторінку. Спробуйте з невеликим сайтом, наприклад https://www.google.org/
.
Ваш файл src/main.rs
має виглядати приблизно так:
use reqwest::blocking::Client;
use reqwest::Url;
use scraper::{Html, Selector};
use thiserror::Error;
#[derive(Error, Debug)]
enum Error {
#[error("помилка запиту: {0}")]
ReqwestError(#[from] reqwest::Error),
#[error("погана http відповідь: {0}")]
BadResponse(String),
}
#[derive(Debug)]
struct CrawlCommand {
url: Url,
extract_links: bool,
}
fn visit_page(client: &Client, command: &CrawlCommand) -> Result<Vec<Url>, Error> {
println!("Перевіряємо {:#}", 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!("На {base_url:#}: проігноровано нерозбірливий {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!("Лінкі: {links:#?}"),
Err(err) => println!("Не вдалося витягти лінки: {err:#}"),
}
}
Запустіть код у src/main.rs
за допомогою
cargo run
Завдання
- Використовуйте потоки для паралельної перевірки лінків: надішліть URL-адреси для перевірки на канал і дозвольте кільком потокам перевіряти URL-адреси паралельно.
- Розширте це, щоб рекурсивно отримувати лінкі з усіх сторінок домену
www.google.org
. Встановіть верхню межу приблизно в 100 сторінок, щоб вас не заблокував сайт.