Создание индекса для сайта

Вы, может, знаете, что HTML разрешает вставлять META-тэги в заголовок документа. Тогда вы, я просто уверен, знаете для чего они нужны. Кто не в курсе — кратенько поясню: Существуют поисковые сервера, которые ползают по зарегистрировавшимся в их базе сайтах и индексируют странички. При этом они обращают пристальное внимание на МЕТА-тэги, а особенно на keywords и description (<ключевые слова> и <описание>).

Синтаксис этих двух МЕТА-тэгов выглядит так:

<meta name=description content="CGI&Perl - Документация  и скрипты">
<meta name=keywords content="perl cgi documentation scripts скрипты документация перл">

Ключевые слова также могут быть разделены запятой.

Ну а теперь непосредственно о скрипте. Скрипт осматривает все странички сайта на предмет meta description и meta keywords и составляет итоговую таблицу — индекс, или предметный указатель.

Строки 1-3: Обычное начало программы.

5-26: Часть скрипта, которую нужно сконфигурировать под свои нужды.

7: Список URLов, которые необходимо проиндексировать. Но если все страницы сайта связаны гиперссылками — то необходима лишь один URL.

9-24: Определение процедуры OK_TO_FOLLOW. Принимает URI-объект (http), возвращает единицу, если эту ссылку надо сканировать и нуль, если не надо.

11-13: Необходимо, чтобы скрипт не выходил за пределы сайта.

14-16: Не нужно также запускать никакие CGI-скрипты

17-22: Убираем из процесса индексации картинки и другие не-HTML файлы.

Отметьте небольшую хитрость: цикл for здесь вовсе не цикл, он нужен лишь для того, чтобы переменная $_ равнялась тому, что внутри скобок for ()

23: Передано то, что необходимо проиндексировать — вернем единицу.

28-31: Подключаем модули: CGI::Pretty — стандартный, LWP::UserAgent, HTML:Entities, WWW::Robot — входят в библиотеку LWP.

33-35: Определение глобальных переменных. %description — хэш, ключами которого являются URLы, а значениями — описания (meta description). %keywords — URL— >ключевые слова (keywords). %keywords_caps содержит регистр (верхний или нижний) написания ключевого слова.

37-45: Настройки индексатора. За подробностями обратитесь к документации по WWW::Robot. Здесь же устанавливаем, что индексатор идентифицирует себя как MetaBot, версии 0.15, ну и e-mail адрес. USERAGENT — будет LWP::UserAgent, отключена проверка MIME-типов.

47: Включает проверку конфигурации прокси-сервера, вобщем-то это и не нужно. 49-54: Одна из двух callback-функций, которую вызывает WWW::Robot. Как только найден URL, вызывается follow-url-test callback. Здесь вызываем функцию OK_TO_FOLLOW, чтобы отсеять лишнее.

55-76: Вытаскиваем информацию с каждой странички.

58-61: Нам нужны только keywords и description

63-67: Сохраним описание, предварительно очистив его от переносов строк и символов табуляции, заменив их на пробелы.

68-75: Запомним ключевые слова и их регистр. В данном скрипте предполагается, что слова разделены запятыми. Можно разделителями сделать пробелы, заменив split(/,/,… на split (/ /, … Или и пробелы и запятые — split (/[, ]/,…

77: Запуск индексации. Для большого сайта займет довольно длительное время.

В строке 81 содержится оператор print, который продолжается до конца скрипта и выводит таблицу-индекс.

79: хэш %seen_letter нужен для того чтобы вверху странички выдать ссылки в виде букв алфавита, например: <Jump to: A B K L P R S W Z>

Для каждого ключевого слова выдается ссылка на документ, где оно встречается и описание из этого документа (3 колонки в таблице).

Вот и все.

Листинг:

=1=     #!/usr/bin/perl -w
=2=     use strict;
=3=     $|++;
=4=
=5=     ## config
=6=
=7=     my @URL = qw(http://www.stonehenge.Xcom/);
=8=
=9=     sub OK_TO_FOLLOW {
=10=      my $uri = shift;              # URI object, known to be http only
=11=      for ($uri->host) {
=12=        return 0 unless /.stonehenge.Xcom$/i;
=13=      }
=14=      for ($uri->query) {
=15=        return 0 if defined $_ and length;
=16=      }
=17=      for ($uri->path) {
=18=        return 0 if /^/(cgi|fors|-)/;
=19=        return 0 if /coldd|index/;
=20=        return 0 if /Pictures/;
=21=        return 0 unless /(.html?|/)$/;
=22=      }
=23=      return 1;
=24=    }
=25=
=26=    ## end config
=27=
=28=    use WWW::Robot;
=29=    use LWP::UserAgent;
=30=    use CGI::Pretty qw(-no_debug :html);
=31=    use HTML::Entities;
=32=
=33=    my %description;
=34=    my %keywords;
=35=    my %keyword_caps;
=36=
=37=    my $robot = WWW::Robot->new
=38=      (
=39=       NAME => 'MetaBot',
=40=       VERSION => '0.15',
=41=       EMAIL => 'merlyn@stonehenge.Xcom',
=42=       USERAGENT => LWP::UserAgent->new,
=43=       CHECK_MIME_TYPES => 0,
=44=       ## VERBOSE => 1,
=45=       );
=46=
=47=    $robot->env_proxy;
=48=
=49=    $robot->addHook
=50=      ("follow-url-test" => sub {
=51=         my ($robot, $hook, $url) = @_;
=52=         return 0 unless $url->scheme eq 'http';
=53=         OK_TO_FOLLOW($url);
=54=       });
=55=    $robot->addHook
=56=      ("invoke-on-contents" => sub {
=57=         my ($robot, $hook, $url, $response, $structure) = @_;
=58=         my %meta = map {
=59=           my $header = $response->header("X-Meta-$_");
=60=           defined $header ? ($_, $header) : ();
=61=         } qw(Description Keywords);
=62=         return unless %meta;
=63=         if (exists $meta{Description}) {
=64=           $_ = $meta{Description};
=65=           tr/ tn/ /s;
=66=           $description{$url} = $_;
=67=         }
=68=         if (exists $meta{Keywords}) {
=69=           for (split /,/, $meta{Keywords}) {
=70=             s/^s+//;
=71=             s/s+$//;
=72=             $keywords{lc $_}{$url}++;
=73=             $keyword_caps{lc $_} = $_;
=74=           }
=75=         }
=76=       });
=77=    $robot->run(@URL);
=78=
=79=    my %seen_letter;
=80=
=81=    print
=82=      table({ Cellspacing => 0, Cellpadding => 10, Border => 2 },
=83=            do {
=84=              my %letters;
=85=              @letters{map /^([a-z])/, keys %keywords} = ();
=86=              %letters ?
=87=                Tr(td({Colspan => 3},
=88=                      p("Jump to:",
=89=                        map a({Href => "#index_$_"}, uc $_), sort keys %letters)))
=90=                  : 0;
=91=            },
=92=            map {
=93=              my $key = $_;
=94=              my @value =
=95=                map {
=96=                  my $url = $_;
=97=                  my $text = exists $description{$url} ?
=98=                    $description{$url} : "(no description provided)";
=99=
=100=                 [a({Href => encode_entities($url)}, encode_entities($url)),
=101=                  encode_entities($text),
=102=                 ];
=103=               } sort keys %{$keywords{$key}};
=104=             my $key_text = $keyword_caps{$key};
=105=             if ($key =~ /^([a-z])/ and not $seen_letter{$1}++ ) {
=106=               $key_text = a({ Name => "index_$1" }, $key_text);
=107=             }
=108=
=109=             map {
=110=               Tr(($_ > 0 ? () : td({Rowspan => scalar @value}, $key_text)),
=111=                  td($value[$_]));
=112=               } 0..$#value;
=113=           } sort keys %keywords
=114=          );