mirror of
https://github.com/moparisthebest/curl
synced 2024-12-21 23:58:49 -05:00
moved to contrib/
This commit is contained in:
Daniel Stenberg
parent
65b4a63f56
commit
71b4b2ffa9
@ -1,336 +0,0 @@
|
|||||||
#!@PERL@
|
|
||||||
#
|
|
||||||
# checklinks.pl
|
|
||||||
#
|
|
||||||
# This script extracts all links from a HTML page and checks their validity.
|
|
||||||
# Written to use 'curl' for URL checking.
|
|
||||||
#
|
|
||||||
# Author: Daniel Stenberg <Daniel.Stenberg@sth.frontec.se>
|
|
||||||
# Version: 0.7 Sept 30, 1998
|
|
||||||
#
|
|
||||||
# HISTORY
|
|
||||||
#
|
|
||||||
# 0.5 - Cuts off the #-part from links before checking.
|
|
||||||
#
|
|
||||||
# 0.6 - Now deals with error codes 3XX better and follows the Location:
|
|
||||||
# properly.
|
|
||||||
# - Added the -x flag that only checks http:// -links
|
|
||||||
#
|
|
||||||
# 0.7 - Ok, http://www.viunga.se/main.html didn't realize this had no path
|
|
||||||
# but a document. Now it does.
|
|
||||||
#
|
|
||||||
#
|
|
||||||
|
|
||||||
$in="";
|
|
||||||
|
|
||||||
argv:
|
|
||||||
if($ARGV[0] eq "-v" ) {
|
|
||||||
$verbose = 1;
|
|
||||||
shift @ARGV;
|
|
||||||
goto argv;
|
|
||||||
}
|
|
||||||
elsif($ARGV[0] eq "-i" ) {
|
|
||||||
$usestdin = 1;
|
|
||||||
shift @ARGV;
|
|
||||||
goto argv;
|
|
||||||
}
|
|
||||||
elsif($ARGV[0] eq "-l" ) {
|
|
||||||
$linenumber = 1;
|
|
||||||
shift @ARGV;
|
|
||||||
goto argv;
|
|
||||||
}
|
|
||||||
elsif($ARGV[0] eq "-h" ) {
|
|
||||||
$help = 1;
|
|
||||||
shift @ARGV;
|
|
||||||
goto argv;
|
|
||||||
}
|
|
||||||
elsif($ARGV[0] eq "-x" ) {
|
|
||||||
$external = 1;
|
|
||||||
shift @ARGV;
|
|
||||||
goto argv;
|
|
||||||
}
|
|
||||||
|
|
||||||
$geturl = $ARGV[0];
|
|
||||||
|
|
||||||
if(($geturl eq "") || $help) {
|
|
||||||
print "Usage: $0 [-hilvx] <full URL>\n",
|
|
||||||
" Use a traling slash for directory URLs!\n",
|
|
||||||
" -h This help text\n",
|
|
||||||
" -i Read the initial page from stdin\n",
|
|
||||||
" -l Line number report for BAD links\n",
|
|
||||||
" -v Verbose mode\n",
|
|
||||||
" -x Check non-local (external?) links only\n";
|
|
||||||
exit;
|
|
||||||
}
|
|
||||||
|
|
||||||
if($ARGV[1] eq "-") {
|
|
||||||
print "We use stdin!\n";
|
|
||||||
$usestdin = 1;
|
|
||||||
}
|
|
||||||
|
|
||||||
# This is necessary from where I tried this:
|
|
||||||
#$proxy =" -x 194.237.142.41:80";
|
|
||||||
|
|
||||||
# linkchecker, URL will be appended to the right of this command line
|
|
||||||
# this is the one using HEAD:
|
|
||||||
$linkcheck = "curl -s -m 20 -I$proxy";
|
|
||||||
|
|
||||||
# as a second attempt, this will be used. This is not using HEAD but will
|
|
||||||
# get the whole frigging document!
|
|
||||||
$linkcheckfull = "curl -s -m 20 -i$proxy";
|
|
||||||
|
|
||||||
# htmlget, URL will be appended to the right of this command line
|
|
||||||
$htmlget = "curl -s$proxy";
|
|
||||||
|
|
||||||
# Parse the input URL and split it into the relevant parts:
|
|
||||||
|
|
||||||
sub SplitURL {
|
|
||||||
my $inurl = $_[0];
|
|
||||||
|
|
||||||
if($inurl=~ /^([^:]+):\/\/([^\/]*)\/(.*)\/(.*)/ ) {
|
|
||||||
$getprotocol = $1;
|
|
||||||
$getserver = $2;
|
|
||||||
$getpath = $3;
|
|
||||||
$getdocument = $4;
|
|
||||||
}
|
|
||||||
elsif ($inurl=~ /^([^:]+):\/\/([^\/]*)\/(.*)/ ) {
|
|
||||||
$getprotocol = $1;
|
|
||||||
$getserver = $2;
|
|
||||||
$getpath = $3;
|
|
||||||
$getdocument = "";
|
|
||||||
|
|
||||||
if($getpath !~ /\//) {
|
|
||||||
$getpath ="";
|
|
||||||
$getdocument = $3;
|
|
||||||
}
|
|
||||||
|
|
||||||
}
|
|
||||||
elsif ($inurl=~ /^([^:]+):\/\/(.*)/ ) {
|
|
||||||
$getprotocol = $1;
|
|
||||||
$getserver = $2;
|
|
||||||
$getpath = "";
|
|
||||||
$getdocument = "";
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
print "Couldn't parse the specified URL, retry please!\n";
|
|
||||||
exit;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
&SplitURL($geturl);
|
|
||||||
|
|
||||||
#print "protocol = $getprotocol\n";
|
|
||||||
#print "server = $getserver\n";
|
|
||||||
#print "path = $getpath\n";
|
|
||||||
#print "document = $getdocument\n";
|
|
||||||
#exit;
|
|
||||||
|
|
||||||
if(!$usestdin) {
|
|
||||||
open(HEADGET, "$linkcheck $geturl|") ||
|
|
||||||
die "Couldn't get web page for some reason";
|
|
||||||
headget:
|
|
||||||
while(<HEADGET>) {
|
|
||||||
# print $_;
|
|
||||||
if($_ =~ /HTTP\/.*3\d\d /) {
|
|
||||||
$pagemoved=1;
|
|
||||||
}
|
|
||||||
elsif($pagemoved &&
|
|
||||||
($_ =~ /^Location: (.*)/)) {
|
|
||||||
$geturl = $1;
|
|
||||||
|
|
||||||
&SplitURL($geturl);
|
|
||||||
|
|
||||||
$pagemoved++;
|
|
||||||
last headget;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
close(HEADGET);
|
|
||||||
|
|
||||||
if($pagemoved == 1) {
|
|
||||||
print "Page is moved but we don't know where. Did you forget the ",
|
|
||||||
"traling slash?\n";
|
|
||||||
exit;
|
|
||||||
}
|
|
||||||
|
|
||||||
open(WEBGET, "$htmlget $geturl|") ||
|
|
||||||
die "Couldn't get web page for some reason";
|
|
||||||
|
|
||||||
while(<WEBGET>) {
|
|
||||||
$line = $_;
|
|
||||||
push @indoc, $line;
|
|
||||||
$line=~ s/\n//g;
|
|
||||||
$line=~ s/\r//g;
|
|
||||||
# print $line."\n";
|
|
||||||
$in=$in.$line;
|
|
||||||
}
|
|
||||||
|
|
||||||
close(WEBGET);
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
while(<STDIN>) {
|
|
||||||
$line = $_;
|
|
||||||
push @indoc, $line;
|
|
||||||
$line=~ s/\n//g;
|
|
||||||
$line=~ s/\r//g;
|
|
||||||
$in=$in.$line;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
#print length($in)."\n";
|
|
||||||
|
|
||||||
sub LinkWorks {
|
|
||||||
my $check = $_[0];
|
|
||||||
|
|
||||||
# URL encode:
|
|
||||||
# $check =~s/([^a-zA-Z0-9_:\/.-])/uc sprintf("%%%02x",ord($1))/eg;
|
|
||||||
|
|
||||||
@doc = `$linkcheck \"$check\"`;
|
|
||||||
|
|
||||||
$head = 1;
|
|
||||||
|
|
||||||
# print "COMMAND: $linkcheck \"$check\"\n";
|
|
||||||
# print $doc[0]."\n";
|
|
||||||
|
|
||||||
boo:
|
|
||||||
if( $doc[0] =~ /^HTTP[^ ]+ (\d+)/ ) {
|
|
||||||
$error = $1;
|
|
||||||
|
|
||||||
if($error < 400 ) {
|
|
||||||
return "GOOD";
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
|
|
||||||
if($head && ($error >= 500)) {
|
|
||||||
# This server doesn't like HEAD!
|
|
||||||
@doc = `$linkcheckfull \"$check\"`;
|
|
||||||
$head = 0;
|
|
||||||
goto boo;
|
|
||||||
}
|
|
||||||
return "BAD";
|
|
||||||
}
|
|
||||||
}
|
|
||||||
return "BAD";
|
|
||||||
}
|
|
||||||
|
|
||||||
|
|
||||||
sub GetLinks {
|
|
||||||
my $in = $_[0];
|
|
||||||
my @result;
|
|
||||||
|
|
||||||
getlinkloop:
|
|
||||||
while($in =~ /[^<]*(<[^>]+>)/g ) {
|
|
||||||
# we have a tag in $1
|
|
||||||
$tag = $1;
|
|
||||||
|
|
||||||
if($tag =~ /^<!--/) {
|
|
||||||
# this is a comment tag, ignore it
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
if($tag =~ /(src|href|background|archive) *= *(\"[^\"]\"|[^ )>]*)/i) {
|
|
||||||
$url=$2;
|
|
||||||
if($url =~ /^\"(.*)\"$/) {
|
|
||||||
# this was a "string" now $1 has removed the quotes:
|
|
||||||
$url=$1;
|
|
||||||
}
|
|
||||||
|
|
||||||
|
|
||||||
$url =~ s/([^\#]*)\#.*/$1/g;
|
|
||||||
|
|
||||||
if($url eq "") {
|
|
||||||
# if the link was nothing than a #-link it may now have
|
|
||||||
# been emptied completely so then we skip the rest
|
|
||||||
next getlinkloop;
|
|
||||||
}
|
|
||||||
|
|
||||||
if($done{$url}) {
|
|
||||||
# if this url already is done, do next
|
|
||||||
$done{$url}++;
|
|
||||||
next getlinkloop;
|
|
||||||
}
|
|
||||||
|
|
||||||
$done{$url} = 1; # this is "done"
|
|
||||||
|
|
||||||
push @result, $url;
|
|
||||||
if($tag =~ /< *([^ ]+)/) {
|
|
||||||
# print "TAG: $1\n";
|
|
||||||
$tagtype{$url}=$1;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
return @result;
|
|
||||||
}
|
|
||||||
|
|
||||||
@links = &GetLinks($in);
|
|
||||||
|
|
||||||
linkloop:
|
|
||||||
for(@links) {
|
|
||||||
$url = $_;
|
|
||||||
|
|
||||||
if($url =~ /^([^:]+):/) {
|
|
||||||
$prot = $1;
|
|
||||||
# if($prot !~ /(http|ftp|gopher)/i) {
|
|
||||||
if($prot !~ /http/i) {
|
|
||||||
# this is an unsupported protocol, we ignore this
|
|
||||||
next linkloop;
|
|
||||||
}
|
|
||||||
$link = $url;
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
if($external) {
|
|
||||||
next linkloop;
|
|
||||||
}
|
|
||||||
|
|
||||||
# this is a link on the save server:
|
|
||||||
if($url =~ /^\//) {
|
|
||||||
# from root
|
|
||||||
$link = "$getprotocol://$getserver$url";
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
# from the scanned page's dir
|
|
||||||
$nyurl=$url;
|
|
||||||
|
|
||||||
if(length($getpath) &&
|
|
||||||
($getpath !~ /\/$/) &&
|
|
||||||
($nyurl !~ /^\//)) {
|
|
||||||
# lacks ending slash, add one to the document part:
|
|
||||||
$nyurl = "/".$nyurl;
|
|
||||||
}
|
|
||||||
$link = "$getprotocol://$getserver/$getpath$nyurl";
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
#print "test $link\n";
|
|
||||||
#$success = "GOOD";
|
|
||||||
|
|
||||||
$success = &LinkWorks($link);
|
|
||||||
|
|
||||||
$count = $done{$url};
|
|
||||||
|
|
||||||
$allcount += $count;
|
|
||||||
|
|
||||||
print "$success $count <".$tagtype{$url}."> $link $url\n";
|
|
||||||
|
|
||||||
# If bad and -l, present the line numbers of the usage
|
|
||||||
if("BAD" eq $success) {
|
|
||||||
$badlinks++;
|
|
||||||
if($linenumber) {
|
|
||||||
$line =1;
|
|
||||||
for(@indoc) {
|
|
||||||
if($_ =~ /$url/) {
|
|
||||||
print " line $line\n";
|
|
||||||
}
|
|
||||||
$line++;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
}
|
|
||||||
|
|
||||||
if($verbose) {
|
|
||||||
print "$allcount links were checked";
|
|
||||||
if($badlinks > 0) {
|
|
||||||
print ", $badlinks were found bad";
|
|
||||||
}
|
|
||||||
print "\n";
|
|
||||||
}
|
|
||||||
443
perl/crawlink.pl
443
perl/crawlink.pl
@ -1,443 +0,0 @@
|
|||||||
#!/usr/bin/perl
|
|
||||||
#
|
|
||||||
# crawlink.pl
|
|
||||||
#
|
|
||||||
# This script crawls across all found links below the given "root" URL.
|
|
||||||
# It reports all good and bad links to stdout. This code was based on the
|
|
||||||
# checklink.pl script I wrote ages ago.
|
|
||||||
#
|
|
||||||
# Written to use 'curl' for URL checking.
|
|
||||||
#
|
|
||||||
# Author: Daniel Stenberg <daniel@haxx.se>
|
|
||||||
# Version: 0.3 Jan 3, 2001
|
|
||||||
#
|
|
||||||
# HISTORY
|
|
||||||
#
|
|
||||||
# 0.3 - The -i now adds regexes that if a full URL link matches one of those,
|
|
||||||
# it is not followed. This can then be used to prevent this script from
|
|
||||||
# following '.*\.cgi', specific pages or whatever.
|
|
||||||
#
|
|
||||||
# 0.2 - Made it only HEAD non html files (i.e skip the GET). Makes it a lot
|
|
||||||
# faster to skip large non HTML files such as pdfs or big RFCs! ;-)
|
|
||||||
# Added a -c option that allows me to pass options to curl.
|
|
||||||
#
|
|
||||||
# 0.1 - The given url works as the root. This script will only continue
|
|
||||||
# and check other URLs if the leftmost part of the new URL is identical
|
|
||||||
# to the root URL.
|
|
||||||
#
|
|
||||||
|
|
||||||
use strict;
|
|
||||||
|
|
||||||
my $in="";
|
|
||||||
my $verbose=0;
|
|
||||||
my $usestdin;
|
|
||||||
my $linenumber;
|
|
||||||
my $help;
|
|
||||||
my $external;
|
|
||||||
my $curlopts;
|
|
||||||
|
|
||||||
my @ignorelist;
|
|
||||||
|
|
||||||
argv:
|
|
||||||
if($ARGV[0] eq "-v" ) {
|
|
||||||
$verbose++;
|
|
||||||
shift @ARGV;
|
|
||||||
goto argv;
|
|
||||||
}
|
|
||||||
elsif($ARGV[0] eq "-c" ) {
|
|
||||||
$curlopts=$ARGV[1];
|
|
||||||
shift @ARGV;
|
|
||||||
shift @ARGV;
|
|
||||||
goto argv;
|
|
||||||
}
|
|
||||||
elsif($ARGV[0] eq "-i" ) {
|
|
||||||
push @ignorelist, $ARGV[1];
|
|
||||||
shift @ARGV;
|
|
||||||
shift @ARGV;
|
|
||||||
goto argv;
|
|
||||||
}
|
|
||||||
elsif($ARGV[0] eq "-l" ) {
|
|
||||||
$linenumber = 1;
|
|
||||||
shift @ARGV;
|
|
||||||
goto argv;
|
|
||||||
}
|
|
||||||
elsif($ARGV[0] eq "-h" ) {
|
|
||||||
$help = 1;
|
|
||||||
shift @ARGV;
|
|
||||||
goto argv;
|
|
||||||
}
|
|
||||||
elsif($ARGV[0] eq "-x" ) {
|
|
||||||
$external = 1;
|
|
||||||
shift @ARGV;
|
|
||||||
goto argv;
|
|
||||||
}
|
|
||||||
|
|
||||||
my $geturl = $ARGV[0];
|
|
||||||
my $firsturl= $geturl;
|
|
||||||
|
|
||||||
#
|
|
||||||
# Define a hash array to hold all root URLs to visit/we have visited
|
|
||||||
#
|
|
||||||
my %rooturls;
|
|
||||||
$rooturls{$ARGV[0]}=1;
|
|
||||||
|
|
||||||
if(($geturl eq "") || $help) {
|
|
||||||
print "Usage: $0 [-hilvx] <full URL>\n",
|
|
||||||
" Use a traling slash for directory URLs!\n",
|
|
||||||
" -c [data] Pass [data] as argument to every curl invoke\n",
|
|
||||||
" -h This help text\n",
|
|
||||||
" -i [regex] Ignore root links that match this pattern\n",
|
|
||||||
" -l Line number report for BAD links\n",
|
|
||||||
" -v Verbose mode\n",
|
|
||||||
" -x Check non-local (external?) links only\n";
|
|
||||||
exit;
|
|
||||||
}
|
|
||||||
|
|
||||||
my $proxy;
|
|
||||||
if($curlopts ne "") {
|
|
||||||
$proxy=" $curlopts";
|
|
||||||
#$proxy =" -x 194.237.142.41:80";
|
|
||||||
}
|
|
||||||
|
|
||||||
# linkchecker, URL will be appended to the right of this command line
|
|
||||||
# this is the one using HEAD:
|
|
||||||
my $linkcheck = "curl -s -m 20 -I$proxy";
|
|
||||||
|
|
||||||
# as a second attempt, this will be used. This is not using HEAD but will
|
|
||||||
# get the whole frigging document!
|
|
||||||
my $linkcheckfull = "curl -s -m 20 -i$proxy";
|
|
||||||
|
|
||||||
# htmlget, URL will be appended to the right of this command line
|
|
||||||
my $htmlget = "curl -s$proxy";
|
|
||||||
|
|
||||||
# Parse the input URL and split it into the relevant parts:
|
|
||||||
|
|
||||||
my $getprotocol;
|
|
||||||
my $getserver;
|
|
||||||
my $getpath;
|
|
||||||
my $getdocument;
|
|
||||||
|
|
||||||
my %done;
|
|
||||||
my %tagtype;
|
|
||||||
my $allcount=0;
|
|
||||||
my $badlinks=0;
|
|
||||||
|
|
||||||
sub SplitURL {
|
|
||||||
my $inurl = $_[0];
|
|
||||||
if($inurl=~ /^([^:]+):\/\/([^\/]*)\/(.*)\/(.*)/ ) {
|
|
||||||
$getprotocol = $1;
|
|
||||||
$getserver = $2;
|
|
||||||
$getpath = $3;
|
|
||||||
$getdocument = $4;
|
|
||||||
}
|
|
||||||
elsif ($inurl=~ /^([^:]+):\/\/([^\/]*)\/(.*)/ ) {
|
|
||||||
$getprotocol = $1;
|
|
||||||
$getserver = $2;
|
|
||||||
$getpath = $3;
|
|
||||||
$getdocument = "";
|
|
||||||
|
|
||||||
if($getpath !~ /\//) {
|
|
||||||
$getpath ="";
|
|
||||||
$getdocument = $3;
|
|
||||||
}
|
|
||||||
|
|
||||||
}
|
|
||||||
elsif ($inurl=~ /^([^:]+):\/\/(.*)/ ) {
|
|
||||||
$getprotocol = $1;
|
|
||||||
$getserver = $2;
|
|
||||||
$getpath = "";
|
|
||||||
$getdocument = "";
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
print "Couldn't parse the specified URL, retry please!\n";
|
|
||||||
exit;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
my @indoc;
|
|
||||||
|
|
||||||
sub GetRootPage {
|
|
||||||
my $geturl = $_[0];
|
|
||||||
my $in="";
|
|
||||||
my $code=200;
|
|
||||||
my $type="text/plain";
|
|
||||||
|
|
||||||
my $pagemoved=0;
|
|
||||||
open(HEADGET, "$linkcheck $geturl|") ||
|
|
||||||
die "Couldn't get web page for some reason";
|
|
||||||
|
|
||||||
while(<HEADGET>) {
|
|
||||||
#print STDERR $_;
|
|
||||||
if($_ =~ /HTTP\/1\.[01] (\d\d\d) /) {
|
|
||||||
$code=$1;
|
|
||||||
if($code =~ /^3/) {
|
|
||||||
$pagemoved=1;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
elsif($_ =~ /^Content-Type: ([\/a-zA-Z]+)/) {
|
|
||||||
$type=$1;
|
|
||||||
}
|
|
||||||
elsif($pagemoved &&
|
|
||||||
($_ =~ /^Location: (.*)/)) {
|
|
||||||
$geturl = $1;
|
|
||||||
|
|
||||||
&SplitURL($geturl);
|
|
||||||
|
|
||||||
$pagemoved++;
|
|
||||||
last;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
close(HEADGET);
|
|
||||||
|
|
||||||
if($pagemoved == 1) {
|
|
||||||
print "Page is moved but we don't know where. Did you forget the ",
|
|
||||||
"traling slash?\n";
|
|
||||||
exit;
|
|
||||||
}
|
|
||||||
|
|
||||||
if($type ne "text/html") {
|
|
||||||
# there no point in getting anything but HTML
|
|
||||||
$in="";
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
open(WEBGET, "$htmlget $geturl|") ||
|
|
||||||
die "Couldn't get web page for some reason";
|
|
||||||
while(<WEBGET>) {
|
|
||||||
my $line = $_;
|
|
||||||
push @indoc, $line;
|
|
||||||
$line=~ s/\n/ /g;
|
|
||||||
$line=~ s/\r//g;
|
|
||||||
$in=$in.$line;
|
|
||||||
}
|
|
||||||
close(WEBGET);
|
|
||||||
}
|
|
||||||
return ($in, $code, $type);
|
|
||||||
}
|
|
||||||
|
|
||||||
sub LinkWorks {
|
|
||||||
my $check = $_[0];
|
|
||||||
|
|
||||||
# URL encode:
|
|
||||||
# $check =~s/([^a-zA-Z0-9_:\/.-])/uc sprintf("%%%02x",ord($1))/eg;
|
|
||||||
|
|
||||||
my @doc = `$linkcheck \"$check\"`;
|
|
||||||
|
|
||||||
my $head = 1;
|
|
||||||
|
|
||||||
# print "COMMAND: $linkcheck \"$check\"\n";
|
|
||||||
# print $doc[0]."\n";
|
|
||||||
|
|
||||||
boo:
|
|
||||||
if( $doc[0] =~ /^HTTP[^ ]+ (\d+)/ ) {
|
|
||||||
my $error = $1;
|
|
||||||
|
|
||||||
if($error < 400 ) {
|
|
||||||
return "GOOD";
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
|
|
||||||
if($head && ($error >= 500)) {
|
|
||||||
# This server doesn't like HEAD!
|
|
||||||
@doc = `$linkcheckfull \"$check\"`;
|
|
||||||
$head = 0;
|
|
||||||
goto boo;
|
|
||||||
}
|
|
||||||
return "BAD";
|
|
||||||
}
|
|
||||||
}
|
|
||||||
return "BAD";
|
|
||||||
}
|
|
||||||
|
|
||||||
|
|
||||||
sub GetLinks {
|
|
||||||
my $in = $_[0];
|
|
||||||
my @result;
|
|
||||||
|
|
||||||
while($in =~ /[^<]*(<[^>]+>)/g ) {
|
|
||||||
# we have a tag in $1
|
|
||||||
my $tag = $1;
|
|
||||||
|
|
||||||
if($tag =~ /^<!--/) {
|
|
||||||
# this is a comment tag, ignore it
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
if($tag =~ /(src|href|background|archive) *= *(\"[^\"]\"|[^ \)>]*)/i) {
|
|
||||||
my $url=$2;
|
|
||||||
if($url =~ /^\"(.*)\"$/) {
|
|
||||||
# this was a "string" now $1 has removed the quotes:
|
|
||||||
$url=$1;
|
|
||||||
}
|
|
||||||
|
|
||||||
|
|
||||||
$url =~ s/([^\#]*)\#.*/$1/g;
|
|
||||||
|
|
||||||
if($url eq "") {
|
|
||||||
# if the link was nothing than a #-link it may now have
|
|
||||||
# been emptied completely so then we skip the rest
|
|
||||||
next;
|
|
||||||
}
|
|
||||||
|
|
||||||
if($done{$url}) {
|
|
||||||
# if this url already is done, do next
|
|
||||||
$done{$url}++;
|
|
||||||
if($verbose) {
|
|
||||||
print " FOUND $url but that is already checked\n";
|
|
||||||
}
|
|
||||||
next;
|
|
||||||
}
|
|
||||||
|
|
||||||
$done{$url} = 1; # this is "done"
|
|
||||||
|
|
||||||
push @result, $url;
|
|
||||||
if($tag =~ /< *([^ ]+)/) {
|
|
||||||
$tagtype{$url}=$1;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
return @result;
|
|
||||||
}
|
|
||||||
|
|
||||||
|
|
||||||
while(1) {
|
|
||||||
$geturl=-1;
|
|
||||||
for(keys %rooturls) {
|
|
||||||
if($rooturls{$_} == 1) {
|
|
||||||
if($_ !~ /^$firsturl/) {
|
|
||||||
$rooturls{$_} += 1000; # don't do this, outside our scope
|
|
||||||
if($verbose) {
|
|
||||||
print "SKIP: $_\n";
|
|
||||||
}
|
|
||||||
next;
|
|
||||||
}
|
|
||||||
$geturl=$_;
|
|
||||||
last;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
if($geturl == -1) {
|
|
||||||
last;
|
|
||||||
}
|
|
||||||
|
|
||||||
#
|
|
||||||
# Splits the URL in its different parts
|
|
||||||
#
|
|
||||||
&SplitURL($geturl);
|
|
||||||
|
|
||||||
#
|
|
||||||
# Returns the full HTML of the root page
|
|
||||||
#
|
|
||||||
my ($in, $error, $ctype) = &GetRootPage($geturl);
|
|
||||||
|
|
||||||
$rooturls{$geturl}++; # increase to prove we have already got it
|
|
||||||
|
|
||||||
if($ctype ne "text/html") {
|
|
||||||
# this is not HTML, we skip this
|
|
||||||
if($verbose == 2) {
|
|
||||||
print "Non-HTML link, skipping\n";
|
|
||||||
next;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
if($error >= 400) {
|
|
||||||
print "ROOT page $geturl returned $error\n";
|
|
||||||
next;
|
|
||||||
}
|
|
||||||
|
|
||||||
print " ==== $geturl ====\n";
|
|
||||||
|
|
||||||
if($verbose == 2) {
|
|
||||||
printf("Error code $error, Content-Type: $ctype, got %d bytes\n",
|
|
||||||
length($in));
|
|
||||||
}
|
|
||||||
|
|
||||||
#print "protocol = $getprotocol\n";
|
|
||||||
#print "server = $getserver\n";
|
|
||||||
#print "path = $getpath\n";
|
|
||||||
#print "document = $getdocument\n";
|
|
||||||
#exit;
|
|
||||||
|
|
||||||
#
|
|
||||||
# Extracts all links from the given HTML buffer
|
|
||||||
#
|
|
||||||
my @links = &GetLinks($in);
|
|
||||||
|
|
||||||
for(@links) {
|
|
||||||
my $url = $_;
|
|
||||||
my $link;
|
|
||||||
|
|
||||||
if($url =~ /^([^:]+):/) {
|
|
||||||
my $prot = $1;
|
|
||||||
if($prot !~ /http/i) {
|
|
||||||
# this is an unsupported protocol, we ignore this
|
|
||||||
next;
|
|
||||||
}
|
|
||||||
$link = $url;
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
if($external) {
|
|
||||||
next;
|
|
||||||
}
|
|
||||||
|
|
||||||
# this is a link on the same server:
|
|
||||||
if($url =~ /^\//) {
|
|
||||||
# from root
|
|
||||||
$link = "$getprotocol://$getserver$url";
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
# from the scanned page's dir
|
|
||||||
my $nyurl=$url;
|
|
||||||
|
|
||||||
if(length($getpath) &&
|
|
||||||
($getpath !~ /\/$/) &&
|
|
||||||
($nyurl !~ /^\//)) {
|
|
||||||
# lacks ending slash, add one to the document part:
|
|
||||||
$nyurl = "/".$nyurl;
|
|
||||||
}
|
|
||||||
$link = "$getprotocol://$getserver/$getpath$nyurl";
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
my $success = &LinkWorks($link);
|
|
||||||
|
|
||||||
my $count = $done{$url};
|
|
||||||
|
|
||||||
$allcount += $count;
|
|
||||||
|
|
||||||
print "$success $count <".$tagtype{$url}."> $link $url\n";
|
|
||||||
|
|
||||||
if("BAD" eq $success) {
|
|
||||||
$badlinks++;
|
|
||||||
if($linenumber) {
|
|
||||||
my $line =1;
|
|
||||||
for(@indoc) {
|
|
||||||
if($_ =~ /$url/) {
|
|
||||||
print " line $line\n";
|
|
||||||
}
|
|
||||||
$line++;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
# the link works, add it if it isn't in the ingore list
|
|
||||||
my $ignore=0;
|
|
||||||
for(@ignorelist) {
|
|
||||||
if($link =~ /$_/) {
|
|
||||||
$ignore=1;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
if(!$ignore) {
|
|
||||||
# not ignored, add
|
|
||||||
$rooturls{$link}++; # check this if not checked already
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
if($verbose) {
|
|
||||||
print "$allcount links were checked";
|
|
||||||
if($badlinks > 0) {
|
|
||||||
print ", $badlinks were found bad";
|
|
||||||
}
|
|
||||||
print "\n";
|
|
||||||
}
|
|
||||||
@ -1,273 +0,0 @@
|
|||||||
#!@PERL@
|
|
||||||
#
|
|
||||||
# formfind.pl
|
|
||||||
#
|
|
||||||
# This script gets a HTML page from the specified URL and presents form
|
|
||||||
# information you may need in order to machine-make a respond to the form.
|
|
||||||
#
|
|
||||||
# Written to use 'curl' for URL fetching.
|
|
||||||
#
|
|
||||||
# Author: Daniel Stenberg <Daniel.Stenberg@sth.frontec.se>
|
|
||||||
# Version: 0.1 Nov 12, 1998
|
|
||||||
#
|
|
||||||
# HISTORY
|
|
||||||
#
|
|
||||||
# 0.1 - Created now!
|
|
||||||
#
|
|
||||||
# TODO
|
|
||||||
# respect file:// URLs for local file fetches!
|
|
||||||
|
|
||||||
$in="";
|
|
||||||
|
|
||||||
$usestdin = 0;
|
|
||||||
if($ARGV[0] eq "" ) {
|
|
||||||
$usestdin = 1;
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
$geturl = $ARGV[0];
|
|
||||||
}
|
|
||||||
|
|
||||||
if(($geturl eq "") && !$usestdin) {
|
|
||||||
print "Usage: $0 <full source URL>\n",
|
|
||||||
" Use a traling slash for directory URLs!\n";
|
|
||||||
exit;
|
|
||||||
}
|
|
||||||
# If you need a proxy for web access, edit your .curlrc file to feature
|
|
||||||
# -x <proxy:port>
|
|
||||||
|
|
||||||
# linkchecker, URL will be appended to the right of this command line
|
|
||||||
# this is the one using HEAD:
|
|
||||||
$linkcheck = "curl -s -m 20 -I";
|
|
||||||
|
|
||||||
# as a second attempt, this will be used. This is not using HEAD but will
|
|
||||||
# get the whole frigging document!
|
|
||||||
$linkcheckfull = "curl -s -m 20 -i";
|
|
||||||
|
|
||||||
# htmlget, URL will be appended to the right of this command line
|
|
||||||
$htmlget = "curl -s";
|
|
||||||
|
|
||||||
# urlget, URL will be appended to the right of this command line
|
|
||||||
# this stores the file with the remote file name in the current dir
|
|
||||||
$urlget = "curl -O -s";
|
|
||||||
|
|
||||||
# Parse the input URL and split it into the relevant parts:
|
|
||||||
|
|
||||||
sub SplitURL {
|
|
||||||
my $inurl = $_[0];
|
|
||||||
|
|
||||||
if($inurl=~ /^([^:]+):\/\/([^\/]*)\/(.*)\/(.*)/ ) {
|
|
||||||
$getprotocol = $1;
|
|
||||||
$getserver = $2;
|
|
||||||
$getpath = $3;
|
|
||||||
$getdocument = $4;
|
|
||||||
}
|
|
||||||
elsif ($inurl=~ /^([^:]+):\/\/([^\/]*)\/(.*)/ ) {
|
|
||||||
$getprotocol = $1;
|
|
||||||
$getserver = $2;
|
|
||||||
$getpath = $3;
|
|
||||||
$getdocument = "";
|
|
||||||
|
|
||||||
if($getpath !~ /\//) {
|
|
||||||
$getpath ="";
|
|
||||||
$getdocument = $3;
|
|
||||||
}
|
|
||||||
|
|
||||||
}
|
|
||||||
elsif ($inurl=~ /^([^:]+):\/\/(.*)/ ) {
|
|
||||||
$getprotocol = $1;
|
|
||||||
$getserver = $2;
|
|
||||||
$getpath = "";
|
|
||||||
$getdocument = "";
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
print "Couldn't parse the specified URL, retry please!\n";
|
|
||||||
exit;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
|
|
||||||
if(!$usestdin) {
|
|
||||||
|
|
||||||
&SplitURL($geturl);
|
|
||||||
#print "protocol = $getprotocol\n";
|
|
||||||
#print "server = $getserver\n";
|
|
||||||
#print "path = $getpath\n";
|
|
||||||
#print "document = $getdocument\n";
|
|
||||||
#exit;
|
|
||||||
|
|
||||||
open(HEADGET, "$linkcheck $geturl|") ||
|
|
||||||
die "Couldn't get web page for some reason";
|
|
||||||
headget:
|
|
||||||
while(<HEADGET>) {
|
|
||||||
# print $_;
|
|
||||||
if($_ =~ /HTTP\/.*3\d\d /) {
|
|
||||||
$pagemoved=1;
|
|
||||||
}
|
|
||||||
elsif($pagemoved &&
|
|
||||||
($_ =~ /^Location: (.*)/)) {
|
|
||||||
$geturl = $1;
|
|
||||||
|
|
||||||
&SplitURL($geturl);
|
|
||||||
|
|
||||||
$pagemoved++;
|
|
||||||
last headget;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
close(HEADGET);
|
|
||||||
|
|
||||||
if($pagemoved == 1) {
|
|
||||||
print "Page is moved but we don't know where. Did you forget the ",
|
|
||||||
"traling slash?\n";
|
|
||||||
exit;
|
|
||||||
}
|
|
||||||
|
|
||||||
open(WEBGET, "$htmlget $geturl|") ||
|
|
||||||
die "Couldn't get web page for some reason";
|
|
||||||
|
|
||||||
while(<WEBGET>) {
|
|
||||||
$line = $_;
|
|
||||||
push @indoc, $line;
|
|
||||||
$line=~ s/\n//g;
|
|
||||||
$line=~ s/\r//g;
|
|
||||||
# print $line."\n";
|
|
||||||
$in=$in.$line;
|
|
||||||
}
|
|
||||||
|
|
||||||
close(WEBGET);
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
while(<STDIN>) {
|
|
||||||
$line = $_;
|
|
||||||
push @indoc, $line;
|
|
||||||
$line=~ s/\n//g;
|
|
||||||
$line=~ s/\r//g;
|
|
||||||
$in=$in.$line;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
getlinkloop:
|
|
||||||
while($in =~ /[^<]*(<[^>]+>)/g ) {
|
|
||||||
# we have a tag in $1
|
|
||||||
$tag = $1;
|
|
||||||
|
|
||||||
if($tag =~ /^<!--/) {
|
|
||||||
# this is a comment tag, ignore it
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
if(!$form &&
|
|
||||||
($tag =~ /^< *form/i )) {
|
|
||||||
$method= $tag;
|
|
||||||
if($method =~ /method *=/i) {
|
|
||||||
$method=~ s/.*method *= *(\"|)([^ \">]*).*/$2/gi;
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
$method="get"; # default method
|
|
||||||
}
|
|
||||||
$action= $tag;
|
|
||||||
$action=~ s/.*action *= *(\"|)([^ \">]*).*/$2/gi;
|
|
||||||
|
|
||||||
$method=uc($method);
|
|
||||||
|
|
||||||
$enctype=$tag;
|
|
||||||
if ($enctype =~ /enctype *=/) {
|
|
||||||
$enctype=~ s/.*enctype *= *(\'|\"|)([^ \"\'>]*).*/$2/gi;
|
|
||||||
|
|
||||||
if($enctype eq "multipart/form-data") {
|
|
||||||
$enctype="multipart form upload [use -F]"
|
|
||||||
}
|
|
||||||
$enctype = "\n--- type: $enctype";
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
$enctype="";
|
|
||||||
}
|
|
||||||
|
|
||||||
print "--- FORM report. Uses $method to URL \"$action\"$enctype\n";
|
|
||||||
# print "TAG: $tag\n";
|
|
||||||
# print "METHOD: $method\n";
|
|
||||||
# print "ACTION: $action\n";
|
|
||||||
$form=1;
|
|
||||||
}
|
|
||||||
elsif($form &&
|
|
||||||
($tag =~ /< *\/form/i )) {
|
|
||||||
# print "TAG: $tag\n";
|
|
||||||
print "--- end of FORM\n";
|
|
||||||
$form=0;
|
|
||||||
if( 0 ) {
|
|
||||||
print "*** Fill in all or any of these: (default assigns may be shown)\n";
|
|
||||||
for(@vars) {
|
|
||||||
$var = $_;
|
|
||||||
$def = $value{$var};
|
|
||||||
print "$var=$def\n";
|
|
||||||
}
|
|
||||||
print "*** Pick one of these:\n";
|
|
||||||
for(@alts) {
|
|
||||||
print "$_\n";
|
|
||||||
}
|
|
||||||
}
|
|
||||||
undef @vars;
|
|
||||||
undef @alts;
|
|
||||||
}
|
|
||||||
elsif($form &&
|
|
||||||
($tag =~ /^< *(input|select)/i)) {
|
|
||||||
$mtag = $1;
|
|
||||||
# print "TAG: $tag\n";
|
|
||||||
|
|
||||||
$name=$tag;
|
|
||||||
if($name =~ /name *=/i) {
|
|
||||||
$name=~ s/.*name *= *(\"|)([^ \">]*).*/$2/gi;
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
# no name given
|
|
||||||
$name="";
|
|
||||||
}
|
|
||||||
# get value tag
|
|
||||||
$value= $tag;
|
|
||||||
if($value =~ /value *=/i) {
|
|
||||||
$value=~ s/.*value *= *(\"|)([^ \">]*).*/$2/gi;
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
$value="";
|
|
||||||
}
|
|
||||||
|
|
||||||
if($mtag =~ /select/i) {
|
|
||||||
print "Select: $name\n";
|
|
||||||
push @vars, "$name";
|
|
||||||
$select = 1;
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
$type=$tag;
|
|
||||||
if($type =~ /type *=/i) {
|
|
||||||
$type =~ s/.*type *= *(\"|)([^ \">]*).*/$2/gi;
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
$type="text"; # default type
|
|
||||||
}
|
|
||||||
$type=uc($type);
|
|
||||||
if(lc($type) eq "reset") {
|
|
||||||
# reset types are for UI only, ignore.
|
|
||||||
}
|
|
||||||
elsif($name eq "") {
|
|
||||||
# let's read the value parameter
|
|
||||||
|
|
||||||
print "Button: \"$value\" ($type)\n";
|
|
||||||
push @alts, "$value";
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
$info="";
|
|
||||||
if($value ne "") {
|
|
||||||
$info="=$value";
|
|
||||||
}
|
|
||||||
print "Input: $name$info ($type)\n";
|
|
||||||
push @vars, "$name";
|
|
||||||
# store default value:
|
|
||||||
$value{$name}=$value;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
elsif($select &&
|
|
||||||
($tag =~ /^< *\/ *select/i)) {
|
|
||||||
$select = 0;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
@ -1,261 +0,0 @@
|
|||||||
#!@PERL@
|
|
||||||
#
|
|
||||||
# getlinks.pl
|
|
||||||
#
|
|
||||||
# This script extracts all links from a HTML page, compares them to a pattern
|
|
||||||
# entered on the command line and then downloads matching links into the
|
|
||||||
# target dir (also specified on the command line).
|
|
||||||
#
|
|
||||||
# Written to use 'curl' for URL fetching, uses the source file names in the
|
|
||||||
# target directory.
|
|
||||||
#
|
|
||||||
# Author: Daniel Stenberg <Daniel.Stenberg@sth.frontec.se>
|
|
||||||
# Version: 0.1 Oct 7, 1998
|
|
||||||
#
|
|
||||||
# HISTORY
|
|
||||||
#
|
|
||||||
# 0.1 - Created now!
|
|
||||||
#
|
|
||||||
|
|
||||||
$in="";
|
|
||||||
|
|
||||||
argv:
|
|
||||||
if($ARGV[0] eq "-v" ) {
|
|
||||||
$verbose = 1;
|
|
||||||
shift @ARGV;
|
|
||||||
goto argv;
|
|
||||||
}
|
|
||||||
if($ARGV[0] eq "-d" ) {
|
|
||||||
$display = 1;
|
|
||||||
shift @ARGV;
|
|
||||||
goto argv;
|
|
||||||
}
|
|
||||||
elsif($ARGV[0] eq "-h" ) {
|
|
||||||
$help = 1;
|
|
||||||
shift @ARGV;
|
|
||||||
goto argv;
|
|
||||||
}
|
|
||||||
|
|
||||||
$geturl = $ARGV[0];
|
|
||||||
$getdir = $ARGV[1];
|
|
||||||
$getregex = $ARGV[2];
|
|
||||||
|
|
||||||
if(($geturl eq "") ||
|
|
||||||
(($getdir eq "") && !$display) ||
|
|
||||||
$help) {
|
|
||||||
print "Usage: $0 [-hv] <full source URL> <target dir> [regex]\n",
|
|
||||||
" Use a traling slash for directory URLs!\n",
|
|
||||||
" Use \"quotes\" around the regex!\n",
|
|
||||||
" -h This help text\n",
|
|
||||||
" -d Display matches only instead of downloading\n",
|
|
||||||
" -v Verbose mode\n";
|
|
||||||
exit;
|
|
||||||
}
|
|
||||||
|
|
||||||
# change to target directory:
|
|
||||||
chdir $getdir ||
|
|
||||||
die "couldn't cd into $getdir";
|
|
||||||
|
|
||||||
# This is necessary from where I tried this:
|
|
||||||
#$proxy =" -x 194.237.142.41:80";
|
|
||||||
|
|
||||||
# linkchecker, URL will be appended to the right of this command line
|
|
||||||
# this is the one using HEAD:
|
|
||||||
$linkcheck = "curl -s -m 20 -I$proxy";
|
|
||||||
|
|
||||||
# as a second attempt, this will be used. This is not using HEAD but will
|
|
||||||
# get the whole frigging document!
|
|
||||||
$linkcheckfull = "curl -s -m 20 -i$proxy";
|
|
||||||
|
|
||||||
# htmlget, URL will be appended to the right of this command line
|
|
||||||
$htmlget = "curl -s$proxy";
|
|
||||||
|
|
||||||
# urlget, URL will be appended to the right of this command line
|
|
||||||
# this stores the file with the remote file name in the current dir
|
|
||||||
$urlget = "curl -O -s$proxy";
|
|
||||||
|
|
||||||
# Parse the input URL and split it into the relevant parts:
|
|
||||||
|
|
||||||
sub SplitURL {
|
|
||||||
my $inurl = $_[0];
|
|
||||||
|
|
||||||
if($inurl=~ /^([^:]+):\/\/([^\/]*)\/(.*)\/(.*)/ ) {
|
|
||||||
$getprotocol = $1;
|
|
||||||
$getserver = $2;
|
|
||||||
$getpath = $3;
|
|
||||||
$getdocument = $4;
|
|
||||||
}
|
|
||||||
elsif ($inurl=~ /^([^:]+):\/\/([^\/]*)\/(.*)/ ) {
|
|
||||||
$getprotocol = $1;
|
|
||||||
$getserver = $2;
|
|
||||||
$getpath = $3;
|
|
||||||
$getdocument = "";
|
|
||||||
|
|
||||||
if($getpath !~ /\//) {
|
|
||||||
$getpath ="";
|
|
||||||
$getdocument = $3;
|
|
||||||
}
|
|
||||||
|
|
||||||
}
|
|
||||||
elsif ($inurl=~ /^([^:]+):\/\/(.*)/ ) {
|
|
||||||
$getprotocol = $1;
|
|
||||||
$getserver = $2;
|
|
||||||
$getpath = "";
|
|
||||||
$getdocument = "";
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
print "Couldn't parse the specified URL, retry please!\n";
|
|
||||||
exit;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
&SplitURL($geturl);
|
|
||||||
|
|
||||||
#print "protocol = $getprotocol\n";
|
|
||||||
#print "server = $getserver\n";
|
|
||||||
#print "path = $getpath\n";
|
|
||||||
#print "document = $getdocument\n";
|
|
||||||
#exit;
|
|
||||||
|
|
||||||
if(!$usestdin) {
|
|
||||||
open(HEADGET, "$linkcheck $geturl|") ||
|
|
||||||
die "Couldn't get web page for some reason";
|
|
||||||
headget:
|
|
||||||
while(<HEADGET>) {
|
|
||||||
# print $_;
|
|
||||||
if($_ =~ /HTTP\/.*3\d\d /) {
|
|
||||||
$pagemoved=1;
|
|
||||||
}
|
|
||||||
elsif($pagemoved &&
|
|
||||||
($_ =~ /^Location: (.*)/)) {
|
|
||||||
$geturl = $1;
|
|
||||||
|
|
||||||
&SplitURL($geturl);
|
|
||||||
|
|
||||||
$pagemoved++;
|
|
||||||
last headget;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
close(HEADGET);
|
|
||||||
|
|
||||||
if($pagemoved == 1) {
|
|
||||||
print "Page is moved but we don't know where. Did you forget the ",
|
|
||||||
"traling slash?\n";
|
|
||||||
exit;
|
|
||||||
}
|
|
||||||
|
|
||||||
open(WEBGET, "$htmlget $geturl|") ||
|
|
||||||
die "Couldn't get web page for some reason";
|
|
||||||
|
|
||||||
while(<WEBGET>) {
|
|
||||||
$line = $_;
|
|
||||||
push @indoc, $line;
|
|
||||||
$line=~ s/\n//g;
|
|
||||||
$line=~ s/\r//g;
|
|
||||||
# print $line."\n";
|
|
||||||
$in=$in.$line;
|
|
||||||
}
|
|
||||||
|
|
||||||
close(WEBGET);
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
while(<STDIN>) {
|
|
||||||
$line = $_;
|
|
||||||
push @indoc, $line;
|
|
||||||
$line=~ s/\n//g;
|
|
||||||
$line=~ s/\r//g;
|
|
||||||
$in=$in.$line;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
sub GetLinks {
|
|
||||||
my $in = $_[0];
|
|
||||||
my @result;
|
|
||||||
|
|
||||||
getlinkloop:
|
|
||||||
while($in =~ /[^<]*(<[^>]+>)/g ) {
|
|
||||||
# we have a tag in $1
|
|
||||||
$tag = $1;
|
|
||||||
|
|
||||||
if($tag =~ /^<!--/) {
|
|
||||||
# this is a comment tag, ignore it
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
if($tag =~ /(src|href|background|archive) *= *(\"[^\"]\"|[^ )>]*)/i) {
|
|
||||||
$url=$2;
|
|
||||||
if($url =~ /^\"(.*)\"$/) {
|
|
||||||
# this was a "string" now $1 has removed the quotes:
|
|
||||||
$url=$1;
|
|
||||||
}
|
|
||||||
|
|
||||||
|
|
||||||
$url =~ s/([^\#]*)\#.*/$1/g;
|
|
||||||
|
|
||||||
if($url eq "") {
|
|
||||||
# if the link was nothing than a #-link it may now have
|
|
||||||
# been emptied completely so then we skip the rest
|
|
||||||
next getlinkloop;
|
|
||||||
}
|
|
||||||
|
|
||||||
if($done{$url}) {
|
|
||||||
# if this url already is done, do next
|
|
||||||
$done{$url}++;
|
|
||||||
next getlinkloop;
|
|
||||||
}
|
|
||||||
|
|
||||||
$done{$url} = 1; # this is "done"
|
|
||||||
|
|
||||||
push @result, $url;
|
|
||||||
if($tag =~ /< *([^ ]+)/) {
|
|
||||||
# print "TAG: $1\n";
|
|
||||||
$tagtype{$url}=$1;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
}
|
|
||||||
return @result;
|
|
||||||
}
|
|
||||||
|
|
||||||
@links = &GetLinks($in);
|
|
||||||
|
|
||||||
linkloop:
|
|
||||||
for(@links) {
|
|
||||||
$url = $_;
|
|
||||||
|
|
||||||
if($url =~ /^([^:]+):/) {
|
|
||||||
$link = $url;
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
# this is an absolute link on the same server:
|
|
||||||
if($url =~ /^\//) {
|
|
||||||
# from root
|
|
||||||
$link = "$getprotocol://$getserver$url";
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
# from the scanned page's dir
|
|
||||||
$nyurl=$url;
|
|
||||||
|
|
||||||
if(length($getpath) &&
|
|
||||||
($getpath !~ /\/$/) &&
|
|
||||||
($nyurl !~ /^\//)) {
|
|
||||||
# lacks ending slash, add one to the document part:
|
|
||||||
$nyurl = "/".$nyurl;
|
|
||||||
}
|
|
||||||
$link = "$getprotocol://$getserver/$getpath$nyurl";
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
if($link =~ /$getregex/) {
|
|
||||||
if($display) {
|
|
||||||
print "$link\n";
|
|
||||||
}
|
|
||||||
else {
|
|
||||||
if($verbose) {
|
|
||||||
print "Gets $link\n";
|
|
||||||
}
|
|
||||||
print `$urlget $link`;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
|
|
||||||
|
|
||||||
}
|
|
||||||
@ -1,67 +0,0 @@
|
|||||||
#!@PERL@
|
|
||||||
#
|
|
||||||
# Author: Daniel Stenberg <Daniel.Stenberg@sth.frontec.se>
|
|
||||||
# Date: August 25 1998
|
|
||||||
# Version: 0.1
|
|
||||||
#
|
|
||||||
# This is just meant as an example of why we wrote curl in the first place.
|
|
||||||
# Quick n' easy scripting use.
|
|
||||||
#
|
|
||||||
|
|
||||||
$dir = $ARGV[0];
|
|
||||||
|
|
||||||
$target = $ARGV[1];
|
|
||||||
|
|
||||||
$maxdepth = $ARGV[2];
|
|
||||||
|
|
||||||
if($dir eq "" || $target eq "") {
|
|
||||||
print "Usage: <URL> <dir> [max depth level] \n";
|
|
||||||
print " End the URL with a slash if a directory is specified, please\n";
|
|
||||||
exit;
|
|
||||||
}
|
|
||||||
|
|
||||||
if(($maxdepth ne "") && ($maxdepth == 0)) {
|
|
||||||
# reached maximum depth, die
|
|
||||||
print "Reached maximum recursive depth level ($maxdepth), exiting...\n";
|
|
||||||
exit;
|
|
||||||
}
|
|
||||||
|
|
||||||
# get dir
|
|
||||||
@all = `curl -s $dir`;
|
|
||||||
|
|
||||||
if($all[0] ne "") {
|
|
||||||
print "Got the main $dir dir\n";
|
|
||||||
}
|
|
||||||
|
|
||||||
line:
|
|
||||||
for(@all) {
|
|
||||||
chop; # cut off newline
|
|
||||||
@linep= split(" ", $_);
|
|
||||||
|
|
||||||
$name = $linep[$#linep];
|
|
||||||
|
|
||||||
$firstletter=substr($linep[0], 0, 1);
|
|
||||||
|
|
||||||
if($firstletter eq "d") {
|
|
||||||
# this is a subdir, recurse
|
|
||||||
# if not . or .. of course
|
|
||||||
|
|
||||||
if(($name eq ".") || ($name eq "..")) {
|
|
||||||
next line;
|
|
||||||
}
|
|
||||||
print "Recursing for dir $dir$name in target $target/$name\n";
|
|
||||||
|
|
||||||
$nextdepth=$maxdepth-1;
|
|
||||||
print `$0 $dir$name/ $target/$name $nextdepth`;
|
|
||||||
}
|
|
||||||
elsif($firstletter eq "-") {
|
|
||||||
# this is a file, get it
|
|
||||||
# oh, make sure the target dir exists first
|
|
||||||
|
|
||||||
if(! -r $target ) {
|
|
||||||
mkdir($target,0777);
|
|
||||||
}
|
|
||||||
print "Getting file $dir$name in target $target/$name\n";
|
|
||||||
print `curl -s $dir$name >$target/$name`;
|
|
||||||
}
|
|
||||||
}
|
|
||||||
Loading…
Reference in New Issue
Block a user