1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
1001
1002
1003
1004
1005
1006
1007
1008
1009
1010
1011
1012
1013
1014
1015
1016
1017
1018
1019
1020
1021
1022
1023
1024
1025
1026
1027
1028
1029
1030
1031
1032
1033
1034
1035
1036
1037
1038
1039
1040
1041
1042
1043
1044
1045
1046
1047
1048
1049
1050
1051
1052
1053
1054
1055
1056
1057
1058
1059
1060
1061
1062
1063
1064
1065
1066
1067
1068
1069
1070
1071
1072
1073
1074
1075
1076
1077
1078
1079
1080
1081
1082
1083
1084
1085
1086
1087
1088
1089
1090
1091
1092
1093
1094
1095
1096
1097
1098
1099
1100
1101
1102
1103
1104
1105
1106
1107
1108
1109
1110
1111
1112
1113
1114
1115
1116
1117
1118
1119
1120
1121
1122
1123
1124
1125
1126
1127
1128
1129
1130
1131
1132
1133
1134
1135
1136
1137
1138
1139
1140
1141
1142
1143
1144
1145
1146
1147
1148
1149
1150
1151
1152
1153
1154
1155
1156
1157
1158
1159
1160
1161
1162
1163
1164
1165
1166
1167
1168
1169
1170
1171
1172
1173
1174
1175
1176
1177
1178
1179
1180
1181
1182
1183
1184
1185
1186
1187
1188
1189
1190
1191
1192
1193
1194
1195
1196
1197
1198
1199
1200
1201
1202
1203
1204
1205
1206
1207
1208
1209
1210
1211
1212
1213
1214
1215
1216
1217
1218
1219
1220
1221
1222
1223
1224
1225
1226
1227
1228
1229
1230
1231
1232
1233
1234
1235
1236
1237
1238
1239
1240
1241
1242
1243
1244
1245
1246
1247
1248
1249
1250
1251
1252
1253
1254
1255
1256
1257
1258
1259
1260
1261
1262
1263
1264
1265
1266
1267
1268
1269
1270
1271
1272
1273
1274
1275
1276
1277
1278
1279
1280
1281
1282
1283
1284
1285
1286
1287
1288
1289
1290
1291
1292
1293
1294
1295
1296
1297
1298
1299
1300
1301
1302
1303
1304
1305
1306
1307
1308
1309
1310
1311
1312
1313
1314
1315
1316
1317
1318
1319
1320
1321
1322
1323
1324
1325
1326
1327
1328
1329
1330
1331
1332
1333
1334
1335
1336
1337
1338
1339
1340
1341
1342
1343
1344
1345
1346
1347
1348
1349
1350
1351
1352
1353
1354
1355
1356
1357
1358
1359
1360
1361
1362
1363
1364
1365
1366
1367
1368
1369
1370
1371
1372
1373
1374
1375
1376
1377
1378
1379
1380
1381
1382
1383
1384
1385
1386
1387
1388
1389
1390
1391
1392
1393
1394
1395
1396
1397
1398
1399
1400
1401
1402
1403
1404
1405
1406
1407
1408
1409
1410
1411
1412
1413
1414
1415
1416
1417
1418
1419
1420
1421
1422
1423
1424
1425
1426
1427
1428
1429
1430
1431
1432
1433
1434
1435
1436
1437
1438
1439
1440
1441
1442
1443
1444
1445
1446
1447
1448
1449
1450
1451
1452
1453
1454
1455
1456
1457
1458
1459
1460
1461
1462
1463
1464
1465
1466
1467
1468
1469
1470
1471
1472
1473
1474
1475
1476
1477
1478
1479
1480
1481
1482
1483
1484
1485
1486
1487
1488
1489
1490
1491
1492
1493
1494
1495
1496
1497
1498
1499
1500
1501
1502
1503
1504
1505
1506
1507
1508
1509
1510
1511
1512
1513
1514
1515
1516
1517
1518
1519
1520
1521
1522
1523
1524
1525
1526
1527
1528
1529
1530
1531
1532
1533
1534
1535
1536
1537
1538
1539
1540
1541
1542
1543
1544
1545
1546
1547
1548
1549
1550
1551
1552
1553
1554
1555
1556
1557
1558
1559
1560
1561
1562
1563
1564
1565
1566
1567
1568
1569
1570
1571
1572
1573
1574
1575
1576
1577
1578
1579
1580
1581
1582
1583
1584
1585
1586
1587
1588
1589
1590
1591
1592
1593
1594
1595
1596
1597
1598
1599
1600
1601
1602
1603
1604
1605
1606
1607
1608
1609
1610
1611
1612
1613
1614
1615
1616
1617
1618
1619
1620
1621
1622
1623
1624
1625
1626
1627
1628
1629
1630
1631
1632
1633
1634
1635
1636
1637
1638
1639
1640
1641
1642
1643
1644
1645
1646
1647
1648
1649
1650
1651
1652
1653
1654
1655
1656
1657
1658
1659
1660
1661
1662
1663
1664
1665
1666
1667
1668
1669
1670
1671
1672
1673
1674
1675
1676
1677
1678
1679
1680
1681
1682
1683
1684
1685
1686
1687
1688
1689
1690
1691
1692
1693
1694
1695
1696
1697
1698
1699
1700
1701
1702
1703
1704
1705
1706
1707
1708
1709
1710
1711
1712
1713
1714
1715
1716
1717
1718
1719
1720
1721
1722
1723
1724
1725
1726
1727
1728
1729
1730
1731
1732
1733
1734
1735
1736
1737
1738
1739
1740
1741
1742
1743
1744
1745
1746
1747
1748
1749
1750
1751
1752
1753
1754
1755
1756
1757
1758
1759
1760
1761
1762
1763
1764
1765
1766
1767
1768
1769
1770
1771
1772
1773
1774
1775
1776
1777
1778
1779
1780
1781
1782
1783
1784
1785
1786
1787
1788
1789
1790
1791
1792
1793
1794
1795
1796
1797
1798
1799
1800
1801
1802
1803
1804
1805
1806
1807
1808
1809
1810
1811
1812
1813
1814
1815
1816
1817
1818
1819
1820
1821
1822
1823
1824
1825
1826
1827
1828
1829
1830
1831
1832
1833
1834
1835
1836
1837
1838
1839
1840
1841
1842
1843
1844
1845
1846
1847
1848
1849
1850
1851
1852
1853
1854
1855
1856
1857
1858
1859
1860
1861
1862
1863
1864
1865
1866
1867
1868
1869
1870
1871
1872
1873
1874
1875
1876
1877
1878
1879
1880
1881
1882
1883
1884
1885
1886
1887
1888
1889
1890
1891
1892
1893
1894
1895
1896
1897
1898
1899
1900
1901
1902
1903
1904
1905
1906
1907
1908
1909
1910
1911
1912
1913
1914
1915
1916
1917
1918
1919
1920
1921
1922
1923
1924
1925
1926
1927
1928
1929
1930
1931
1932
1933
1934
1935
1936
1937
1938
1939
1940
1941
1942
1943
1944
1945
1946
1947
1948
1949
1950
1951
1952
1953
1954
1955
1956
1957
1958
1959
1960
1961
1962
1963
1964
1965
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
2022
2023
2024
2025
2026
2027
2028
2029
2030
2031
2032
2033
2034
2035
2036
2037
2038
2039
2040
2041
2042
2043
2044
2045
2046
2047
2048
2049
2050
2051
2052
2053
2054
2055
2056
2057
2058
2059
2060
2061
2062
2063
2064
2065
2066
2067
2068
2069
2070
2071
2072
2073
2074
2075
2076
2077
2078
2079
2080
2081
2082
2083
2084
2085
2086
2087
2088
2089
2090
2091
2092
2093
2094
2095
2096
2097
2098
2099
2100
2101
2102
2103
2104
2105
2106
2107
2108
2109
2110
2111
2112
2113
2114
2115
2116
2117
2118
2119
2120
2121
2122
2123
2124
2125
2126
2127
2128
2129
2130
2131
2132
2133
2134
2135
2136
2137
2138
2139
2140
2141
2142
2143
2144
2145
2146
2147
2148
2149
2150
2151
2152
2153
2154
2155
2156
2157
2158
2159
2160
2161
2162
2163
2164
2165
2166
2167
2168
2169
2170
2171
2172
2173
2174
2175
2176
2177
2178
2179
2180
2181
2182
2183
2184
2185
2186
2187
2188
2189
2190
2191
2192
2193
2194
2195
2196
2197
2198
2199
2200
2201
2202
2203
2204
2205
2206
2207
2208
2209
2210
2211
2212
2213
2214
2215
2216
2217
2218
2219
2220
2221
2222
2223
2224
2225
2226
2227
2228
2229
2230
2231
2232
2233
2234
2235
2236
2237
2238
2239
2240
2241
2242
2243
2244
2245
2246
2247
2248
2249
2250
2251
2252
2253
2254
2255
2256
2257
2258
2259
2260
2261
2262
2263
2264
2265
2266
2267
2268
2269
2270
2271
2272
2273
2274
2275
2276
2277
2278
2279
2280
2281
2282
2283
2284
2285
2286
2287
2288
2289
2290
2291
2292
2293
2294
2295
2296
2297
2298
2299
2300
2301
2302
2303
2304
2305
2306
2307
2308
2309
2310
2311
2312
2313
2314
2315
2316
2317
2318
2319
2320
2321
2322
2323
2324
2325
2326
2327
2328
2329
2330
2331
2332
2333
2334
2335
2336
2337
2338
2339
2340
2341
2342
2343
2344
2345
2346
2347
2348
2349
2350
2351
2352
2353
2354
2355
2356
2357
2358
2359
2360
2361
2362
2363
2364
2365
2366
2367
2368
2369
2370
2371
2372
2373
2374
2375
2376
2377
|
/* ------------------------------------------------------------ */
/*
HTTrack Website Copier, Offline Browser for Windows and Unix
Copyright (C) Xavier Roche and other contributors
This program is free software; you can redistribute it and/or
modify it under the terms of the GNU General Public License
as published by the Free Software Foundation; either version 2
of the License, or any later version.
This program is distributed in the hope that it will be useful,
but WITHOUT ANY WARRANTY; without even the implied warranty of
MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the
GNU General Public License for more details.
You should have received a copy of the GNU General Public License
along with this program; if not, write to the Free Software
Foundation, Inc., 59 Temple Place - Suite 330, Boston, MA 02111-1307, USA.
Important notes:
- We hereby ask people using this source NOT to use it in purpose of grabbing
emails addresses, or collecting any other private information on persons.
This would disgrace our work, and spoil the many hours we spent on it.
Please visit our Website: http://www.httrack.com
*/
/* ------------------------------------------------------------ */
/* File: Main source */
/* DIRECT INCLUDE TO httrack.c */
/* Author: Xavier Roche */
/* ------------------------------------------------------------ */
#if HTS_ANALYSTE
if (hts_htmlcheck(r.adr,(int)r.size,urladr,urlfil)) {
#endif
FILE* fp=NULL; // fichier écrit localement
char* adr=r.adr; // pointeur (on parcourt)
char* lastsaved; // adresse du dernier octet sauvé + 1
if ( (opt.debug>1) && (opt.log!=NULL) ) {
fspc(opt.log,"debug"); fprintf(opt.log,"scan file.."LF); test_flush;
}
// Indexing!
#if HTS_MAKE_KEYWORD_INDEX
if (opt.kindex) {
if (index_keyword(r.adr,r.size,r.contenttype,savename,opt.path_html)) {
if ( (opt.debug>1) && (opt.log!=NULL) ) {
fspc(opt.log,"debug"); fprintf(opt.log,"indexing file..done"LF); test_flush;
}
} else {
if ( (opt.debug>1) && (opt.log!=NULL) ) {
fspc(opt.log,"debug"); fprintf(opt.log,"indexing file..error!"LF); test_flush;
}
}
}
#endif
// Now, parsing
if ((opt.getmode & 1) && (ptr>0)) { // récupérer les html sur disque
// créer le fichier html local
HT_ADD_FOP; // écrire peu à peu le fichier
}
if (!error) {
int detect_title=0; // détection du title
//
char* in_media=NULL; // in other media type (real media and so..)
int intag=0; // on est dans un tag
int incomment=0; // dans un <!--
int inscript=0; // dans un scipt pour applets javascript)
int inscript_tag=0; // on est dans un <body onLoad="... terminé par >
char inscript_tag_lastc='\0';
// terminaison (" ou ') du "<body onLoad=.."
int inscriptgen=0; // on est dans un code générant, ex après obj.write("..
char scriptgen_q='\0'; // caractère faisant office de guillemet (' ou ")
int no_esc_utf=0; // ne pas echapper chars > 127
int nofollow=0; // ne pas scanner
//
int parseall_lastc='\0'; // dernier caractère parsé pour parseall
int parseall_incomment=0; // dans un /* */ (exemple: a = /* URL */ "img.gif";)
//
char* intag_start=adr;
char* intag_startattr=NULL;
int intag_start_valid=0;
HT_ADD_START; // débuter
/* statistics */
if ((opt.getmode & 1) && (ptr>0)) {
/*
HTS_STAT.stat_files++;
HTS_STAT.stat_bytes+=r.size;
*/
}
/* Primary list or URLs */
if (ptr == 0) {
intag=1;
intag_start_valid=0;
}
/* Check is the file is a .js file */
else if (
(strfield2(r.contenttype,"application/x-javascript")!=0)
|| (strfield2(r.contenttype,"text/css")!=0)
) { /* JavaScript js file */
inscript=1;
intag=1; // because après <script> on y est .. - pas utile
intag_start_valid=0; // OUI car nous sommes dans du code, plus dans du "vrai" tag
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"note: this file is a javascript file"LF); test_flush;
}
}
/* Or a real audio */
else if (strfield2(r.contenttype,"audio/x-pn-realaudio")!=0) { /* realaudio link file */
inscript=intag=1;
intag_start_valid=0;
in_media="RAM"; // real media!
}
// Detect UTF8 format
if (is_unicode_utf8((unsigned char*) r.adr, (unsigned int) r.size) == 1) {
no_esc_utf=1;
} else {
no_esc_utf=0;
}
// Hack to prevent any problems with ram files of other files
* ( r.adr + r.size ) = '\0';
// ------------------------------------------------------------
// analyser ce qu'il y a en mémoire (fichier html)
// on scanne les balises
// ------------------------------------------------------------
#if HTS_ANALYSTE
_hts_in_html_done=0; // 0% scannés
_hts_cancel=0; // pas de cancel
_hts_in_html_parsing=1; // flag pour indiquer un parsing
#endif
base[0]='\0'; // effacer base-href
lastsaved=adr;
do {
int p=0;
int valid_p=0; // force to take p even if == 0
int ending_p='\0'; // ending quote?
error=0;
/* Hack to avoid NULL char problems with C syntax */
/* Yes, some bogus HTML pages can embed null chars
and therefore can not be properly handled if this hack is not done
*/
if ( ! (*adr) ) {
if ( ((int) (adr - r.adr)) < r.size)
*adr=' ';
}
/*
index.html built here
*/
// Construction index.html (sommaire)
// Avant de tester les a href,
// Ici on teste si l'on doit construire l'index vers le(s) site(s) miroir(s)
if (!makeindex_done) { // autoriation d'écrire un index
if (!detect_title) {
if (opt.depth == liens[ptr]->depth) { // on note toujours les premiers liens
if (!in_media) {
if (opt.makeindex && (ptr>0)) {
if (opt.getmode & 1) { // autorisation d'écrire
p=strfield(adr,"title");
if (p) {
if (*(adr-1)=='/') p=0; // /title
} else {
if (strfield(adr,"/html"))
p=-1; // noter, mais sans titre
else if (strfield(adr,"body"))
p=-1; // noter, mais sans titre
else if ( ((int) (adr - r.adr) ) >= (r.size-1) )
p=-1; // noter, mais sans titre
else if ( (int) (adr - r.adr) >= r.size - 2) // we got to hurry
p=-1; // xxc xxc xxc
}
} else
p=0;
if (p) { // ok center
if (makeindex_fp==NULL) {
verif_backblue(opt.path_html); // générer gif
makeindex_fp=filecreate(fconcat(opt.path_html,"index.html"));
if (makeindex_fp!=NULL) {
// Header
fprintf(makeindex_fp,template_header,
"<!-- Mirror and index made by HTTrack Website Copier/"HTTRACK_VERSION" "HTTRACK_AFF_AUTHORS" -->"
);
} else makeindex_done=-1; // fait, erreur
}
if (makeindex_fp!=NULL) {
char tempo[HTS_URLMAXSIZE*2];
char s[HTS_URLMAXSIZE*2];
char* a=NULL;
char* b=NULL;
s[0]='\0';
if (p>0) {
a=strchr(adr,'>');
if (a!=NULL) {
a++;
while(is_space(*a)) a++; // sauter espaces & co
b=strchr(a,'<'); // prochain tag
}
}
if (lienrelatif(tempo,liens[ptr]->sav,concat(opt.path_html,"index.html"))==0) {
detect_title=1; // ok détecté pour cette page!
makeindex_links++; // un de plus
strcpy(makeindex_firstlink,tempo);
//
if ((b==a) || (a==NULL) || (b==NULL)) { // pas de titre
strcpy(s,tempo);
} else if ((b-a)<256) {
b--;
while(is_space(*b)) b--;
strncpy(s,a,b-a+1);
*(s+(b-a)+1)='\0';
}
// Body
fprintf(makeindex_fp,template_body,
tempo,
s
);
}
}
}
}
}
} else if (liens[ptr]->depth<opt.depth) { // on a sauté level1+1 et level1
HT_INDEX_END;
}
} // if (opt.makeindex)
}
// FIN Construction index.html (sommaire)
/*
end -- index.html built here
*/
/* Parse */
if (
(*adr=='<') /* No starting tag */
&& (!inscript) /* Not in (java)script */
&& (!incomment) /* Not in comment (<!--) */
) {
intag=1;
parseall_incomment=0;
//inquote=0; // effacer quote
intag_start=adr; intag_start_valid=1;
codebase[0]='\0'; // effacer éventuel codebase
if (opt.getmode & 1) { // sauver html
p=strfield(adr,"</html");
if (p==0) p=strfield(adr,"<head>");
// if (p==0) p=strfield(adr,"<doctype");
if (p) {
if (strnotempty(opt.footer)) {
char tempo[1024+HTS_URLMAXSIZE*2];
char gmttime[256];
char* eol="\n";
tempo[0]='\0';
if (strchr(r.adr,'\r'))
eol="\r\n";
time_gmt_rfc822(gmttime);
strcat(tempo,eol);
sprintf(tempo+strlen(tempo),opt.footer,jump_identification(urladr),urlfil,gmttime,"","","","","","","","");
strcat(tempo,eol);
//fwrite(tempo,1,strlen(tempo),fp);
HT_ADD(tempo);
}
}
}
// éliminer les <!-- (commentaires) : intag dévalidé
if (*(adr+1)=='!')
if (*(adr+2)=='-')
if (*(adr+3)=='-') {
intag=0;
incomment=1;
intag_start_valid=0;
}
}
else if (
(*adr=='>') /* ending tag */
&& ( (!inscript) || (inscript_tag) ) /* and in tag (or in script) */
) {
if (inscript_tag) {
inscript_tag=inscript=0;
intag=0;
incomment=0;
intag_start_valid=0;
} else if (!incomment) {
intag=0; //inquote=0;
// entrée dans du javascript?
// on parse ICI car il se peut qu'on ait eu a parser les src=.. dedans
//if (!inscript) { // sinon on est dans un obj.write("..
if ((intag_start_valid) &&
(
check_tag(intag_start,"script")
||
check_tag(intag_start,"style")
)
) {
char* a=intag_start; // <
// ** while(is_realspace(*(--a)));
if (*a=='<') { // sûr que c'est un tag?
inscript=1;
intag=1; // because après <script> on y est .. - pas utile
intag_start_valid=0; // OUI car nous sommes dans du code, plus dans du "vrai" tag
}
}
} else { /* end of comment? */
// vérifier fermeture correcte
if ( (*(adr-1)=='-') && (*(adr-2)=='-') ) {
intag=0;
incomment=0;
intag_start_valid=0;
}
#if GT_ENDS_COMMENT
/* wrong comment ending */
else {
/* check if correct ending does not exists
<!-- foo > example <!-- bar > is sometimes accepted by browsers
when no --> is used somewhere else.. darn those browsers are dirty
*/
if (!strstr(adr,"-->")) {
intag=0;
incomment=0;
intag_start_valid=0;
}
}
#endif
}
//}
}
//else if (*adr==34) {
// inquote=(inquote?0:1);
//}
else if (intag || inscript) { // nous sommes dans un tag/commentaire, tester si on recoit un tag
int p_type=0;
int p_nocatch=0;
int p_searchMETAURL=0; // chercher ..URL=<url>
int add_class=0; // ajouter .class
int add_class_dots_to_patch=0; // number of '.' in code="x.y.z<realname>"
char* p_flush=NULL;
// ------------------------------------------------------------
// parsing évolé
// ------------------------------------------------------------
if (((isalpha((unsigned char)*adr)) || (*adr=='/') || (inscript) || (inscriptgen))) { // sinon pas la peine de tester..
/* caractère de terminaison pour "miniparsing" javascript=.. ?
(ex: <a href="javascript:()" action="foo"> ) */
if (inscript_tag) {
if (inscript_tag_lastc) {
if (*adr == inscript_tag_lastc) {
/* sortir */
inscript_tag=inscript=0;
incomment=0;
}
}
}
// Note:
// Certaines pages ne respectent pas le html
// notamment les guillements ne sont pas fixés
// Nous sommes dans un tag, donc on peut faire un test plus
// large pour pouvoi prendre en compte ces particularités
// à vérifier: ACTION, CODEBASE, VRML
if (in_media) {
if (strcmp(in_media,"RAM")==0) { // real media
p=0;
valid_p=1;
}
} else if (ptr>0) { /* pas première page 0 (primary) */
p=0; // saut pour le nom de fichier: adresse nom fichier=adr+p
// ------------------------------
// détection d'écriture JavaScript.
// osons les obj.write et les obj.href=.. ! osons!
// note: inscript==1 donc on sautera après les \"
if (inscript) {
if (inscriptgen) { // on est déja dans un objet générant..
if (*adr==scriptgen_q) { // fermeture des " ou '
if (*(adr-1)!='\\') { // non
inscriptgen=0; // ok parsing terminé
}
}
} else {
char* a=NULL;
char check_this_fking_line=0; // parsing code javascript..
char must_be_terminated=0; // caractère obligatoire de terminaison!
int token_size;
if (!(token_size=strfield(adr,".writeln"))) // détection ...objet.write[ln]("code html")...
token_size=strfield(adr,".write");
if (token_size) {
a=adr+token_size;
while(is_realspace(*a)) a++; // sauter espaces
if (*a=='(') { // début parenthèse
check_this_fking_line=2; // à parser!
must_be_terminated=')';
a++; // sauter (
}
}
// euhh ??? ???
/* else if (strfield(adr,".href")) { // détection ...objet.href="...
a=adr+5;
while(is_realspace(*a)) a++; // sauter espaces
if (*a=='=') { // ohh un égal
check_this_fking_line=1; // à noter!
must_be_terminated=';'; // et si t'as oublié le ; tu sais pas coder
a++; // sauter =
}
}*/
// on a un truc du genre instruction"code généré" dont on parse le code
if (check_this_fking_line) {
while(is_realspace(*a)) a++;
if ((*a=='\'') || (*a=='"')) { // départ de '' ou ""
char *b;
int ex=0;
scriptgen_q=*a; // quote
b=a+1; // départ de la chaîne
// vérifier forme ("code") et pas ("code"+var), ingérable
do {
a++; // caractère suivant
if (*a==scriptgen_q) if (*(a-1)!='\\') // quote non slash
ex=1; // sortie
if ((*a==10) || (*a==13))
ex=1;
} while(!ex);
if (*a==scriptgen_q) { // fin du quote
a++;
while(is_realspace(*a)) a++;
if (*a==must_be_terminated) { // parenthèse fermante: ("..")
// bon, on doit parser une ligne javascript
// 1) si check.. ==1 alors c'est un nom de fichier direct, donc
// on fixe p sur le saut nécessaire pour atteindre le nom du fichier
// et le moteur se débrouillera ensuite tout seul comme un grand
// 2) si check==2 c'est un peu plus tordu car là on génére du
// code html au sein de code javascript au sein de code html
// dans ce cas on doit fixer un flag à un puis ensuite dans la boucle
// on devra parser les instructions standard comme <a href etc
// NOTE: le code javascript autogénéré n'est pas pris en compte!!
// (et ne marche pas dans 50% des cas de toute facon!)
if (check_this_fking_line==1) {
p=(int) (b - adr); // calculer saut!
} else {
inscriptgen=1; // SCRIPTGEN actif
adr=b; // jump
}
if ((opt.debug>1) && (opt.log!=NULL)) {
char str[512];
str[0]='\0';
strncat(str,b,minimum((int) (a - b + 1), 32));
fspc(opt.log,"debug"); fprintf(opt.log,"active code (%s) detected in javascript: %s"LF,(check_this_fking_line==2)?"parse":"pickup",str); test_flush;
}
}
}
}
}
}
}
// fin detection code générant javascript vers html
// ------------------------------
// analyse proprement dite, A HREF=.. etc..
if (!p) {
// si dans un tag, et pas dans un script - sauf si on analyse un obj.write("..
if ((intag && (!inscript)) || inscriptgen) {
if ( (*(adr-1)=='<') || (is_space(*(adr-1))) ) { // <tag < tag etc
// <A HREF=.. pour les liens HTML
p=rech_tageq(adr,"href");
if (p) { // href.. tester si c'est une bas href!
if ((intag_start_valid) && check_tag(intag_start,"base")) { // oui!
// ** note: base href et codebase ne font pas bon ménage..
p_type=2; // c'est un chemin
}
}
/* Tags supplémentaires à vérifier (<img src=..> etc) */
if (p==0) {
int i=0;
while( (p==0) && (strnotempty(hts_detect[i])) ) {
p=rech_tageq(adr,hts_detect[i]);
i++;
}
}
/* Tags supplémentaires en début à vérifier (<object .. hotspot1=..> etc) */
if (p==0) {
int i=0;
while( (p==0) && (strnotempty(hts_detectbeg[i])) ) {
p=rech_tageqbegdigits(adr,hts_detectbeg[i]);
i++;
}
}
/* Tags supplémentaires à vérifier : URL=.. */
if (p==0) {
int i=0;
while( (p==0) && (strnotempty(hts_detectURL[i])) ) {
p=rech_tageq(adr,hts_detectURL[i]);
i++;
}
if (p)
p_searchMETAURL=1;
}
/* Tags supplémentaires à vérifier, mais à ne pas capturer */
if (p==0) {
int i=0;
while( (p==0) && (strnotempty(hts_detectandleave[i])) ) {
p=rech_tageq(adr,hts_detectandleave[i]);
i++;
}
if (p)
p_nocatch=1; /* ne pas rechercher */
}
/* Evénements */
if (p==0) {
int i=0;
/* détection onLoad etc */
while( (p==0) && (strnotempty(hts_detect_js[i])) ) {
p=rech_tageq(adr,hts_detect_js[i]);
i++;
}
/* non détecté - détecter également les onXxxxx= */
if (p==0) {
if ( (*adr=='o') && (*(adr+1)=='n') && isUpperLetter(*(adr+2)) ) {
p=0;
while(isalpha((unsigned char)adr[p]) && (p<64) ) p++;
if (p<64) {
while(is_space(adr[p])) p++;
if (adr[p]=='=')
p++;
else p=0;
} else p=0;
}
}
/* OK, événement repéré */
if (p) {
inscript_tag_lastc=*(adr+p); /* à attendre à la fin */
adr+=p; /* saut */
/*
On est désormais dans du code javascript
*/
inscript_tag=inscript=1;
}
p=0; /* quoi qu'il arrive, ne rien démarrer ici */
}
// <APPLET CODE=.. pour les applet java.. [CODEBASE (chemin..) à faire]
if (p==0) {
p=rech_tageq(adr,"code");
if (p) {
if ((intag_start_valid) && check_tag(intag_start,"applet")) { // dans un <applet !
p_type=-1; // juste le nom de fichier+dossier, écire avant codebase
add_class=1; // ajouter .class au besoin
// vérifier qu'il n'y a pas de codebase APRES
// sinon on swappe les deux.
// pas très propre mais c'est ce qu'il y a de plus simple à faire!!
{
char *a;
a=adr;
while((*a) && (*a!='>') && (!rech_tageq(a,"codebase"))) a++;
if (rech_tageq(a,"codebase")) { // banzai! codebase=
char* b;
b=strchr(a,'>');
if (b) {
if (((int) (b - adr)) < 1000) { // au total < 1Ko
char tempo[HTS_URLMAXSIZE*2];
tempo[0]='\0';
strncat(tempo,a,(int) (b - a) );
strcat( tempo," ");
strncat(tempo,adr,(int) (a - adr - 1));
// éventuellement remplire par des espaces pour avoir juste la taille
while((int) strlen(tempo)<((int) (b - adr)))
strcat(tempo," ");
// pas d'erreur?
if ((int) strlen(tempo) == ((int) (b - adr) )) {
strncpy(adr,tempo,strlen(tempo)); // PAS d'octet nul à la fin!
p=0; // DEVALIDER!!
p_type=0;
add_class=0;
}
}
}
}
}
}
}
}
// liens à patcher mais pas à charger (ex: codebase)
if (p==0) { // note: si non chargé (ex: ignorer .class) patché tout de même
p=rech_tageq(adr,"codebase");
if (p) {
if ((intag_start_valid) && check_tag(intag_start,"applet")) { // dans un <applet !
p_type=-2;
} else p=-1; // ne plus chercher
}
}
// Meta tags pour robots
if (p==0) {
if (opt.robots) {
if ((intag_start_valid) && check_tag(intag_start,"meta")) {
if (rech_tageq(adr,"name")) { // name=robots.txt
char tempo[1100];
char* a;
tempo[0]='\0';
a=strchr(adr,'>');
#if DEBUG_ROBOTS
printf("robots.txt meta tag detected\n");
#endif
if (a) {
if (((int) (a - adr)) < 999 ) {
strncat(tempo,adr,(int) (a - adr));
if (strstrcase(tempo,"content")) {
if (strstrcase(tempo,"robots")) {
if (strstrcase(tempo,"nofollow")) {
#if DEBUG_ROBOTS
printf("robots.txt meta tag: nofollow in %s%s\n",urladr,urlfil);
#endif
nofollow=1; // NE PLUS suivre liens dans cette page
if (opt.errlog) {
fspc(opt.errlog,"warning"); fprintf(opt.errlog,"Link %s%s not scanned (follow robots meta tag)"LF,urladr,urlfil);
test_flush;
}
}
}
}
}
}
}
}
}
}
// entrée dans une applet javascript
/*if (!inscript) { // sinon on est dans un obj.write("..
if (p==0)
if (rech_sampletag(adr,"script"))
if (check_tag(intag_start,"script")) {
inscript=1;
}
}*/
// Ici on procède à une analyse du code javascript pour tenter de récupérer
// certains fichiers évidents.
// C'est devenu obligatoire vu le nombre de pages qui intègrent
// des images réactives par exemple
}
} else if (inscript) {
if (
(
(strfield(adr,"/script"))
||
(strfield(adr,"/style"))
)
) {
char* a=adr;
//while(is_realspace(*(--a)));
while( is_realspace(*a) ) a--;
a--;
if (*a=='<') { // sûr que c'est un tag?
inscript=0;
}
} else {
/*
Script Analyzing - different types supported:
foo="url"
foo("url") or foo(url)
foo "url"
*/
int nc;
char expected = '='; // caractère attendu après
char* expected_end = ";";
int can_avoid_quotes=0;
char quotes_replacement='\0';
if (inscript_tag)
expected_end=";\"\'"; // voir a href="javascript:doc.location='foo'"
nc = strfield(adr,".src"); // nom.src="image";
if (!nc) nc = strfield(adr,".location"); // document.location="doc"
if (!nc) nc = strfield(adr,".href"); // document.location="doc"
if (!nc) if ( (nc = strfield(adr,".open")) ) { // window.open("doc",..
expected='('; // parenthèse
expected_end="),"; // fin: virgule ou parenthèse
}
if (!nc) if ( (nc = strfield(adr,".replace")) ) { // window.replace("url")
expected='('; // parenthèse
expected_end=")"; // fin: parenthèse
}
if (!nc) if ( (nc = strfield(adr,".link")) ) { // window.link("url")
expected='('; // parenthèse
expected_end=")"; // fin: parenthèse
}
if (!nc) if ( (nc = strfield(adr,"url")) ) { // url(url)
expected='('; // parenthèse
expected_end=")"; // fin: parenthèse
can_avoid_quotes=1;
quotes_replacement=')';
}
if (!nc) if ( (nc = strfield(adr,"import")) ) { // import "url"
if (is_space(*(adr+nc))) {
expected=0; // no char expected
} else
nc=0;
}
if (nc) {
char *a;
a=adr+nc;
while(is_realspace(*a)) a++;
if ((*a == expected) || (!expected)) {
if (expected)
a++;
while(is_realspace(*a)) a++;
if ((*a==34) || (*a=='\'') || (can_avoid_quotes)) {
char *b,*c;
int ndelim=1;
if ((*a==34) || (*a=='\''))
a++;
else
ndelim=0;
b=a;
if (ndelim) {
while((*b!=34) && (*b!='\'') && (*b!='\0')) b++;
}
else {
while((*b != quotes_replacement) && (*b!='\0')) b++;
}
c=b--; c+=ndelim;
while(*c==' ') c++;
if ((strchr(expected_end,*c)) || (*c=='\n') || (*c=='\r')) {
c-=(ndelim+1);
if ((int) (c - a + 1)) {
if ((opt.debug>1) && (opt.log!=NULL)) {
char str[512];
str[0]='\0';
strncat(str,a,minimum((int) (c - a + 1),32));
fspc(opt.log,"debug"); fprintf(opt.log,"link detected in javascript: %s"LF,str); test_flush;
}
p=(int) (a - adr); // p non nul: TRAITER CHAINE COMME FICHIER
if (can_avoid_quotes) {
ending_p=quotes_replacement;
}
}
}
}
}
}
}
}
}
} else { // ptr == 0
//p=rech_tageq(adr,"primary"); // lien primaire, yeah
p=0; // No stupid tag anymore, raw link
valid_p=1; // Valid even if p==0
while ((adr[p] == '\r') || (adr[p] == '\n'))
p++;
//can_avoid_quotes=1;
ending_p='\r';
}
} else if (isspace((unsigned char)*adr)) {
intag_startattr=adr+1; // attribute in tag (for dirty parsing)
}
// ------------------------------------------------------------
// dernier recours - parsing "sale" : détection systématique des .gif, etc.
// risque: générer de faux fichiers parazites
// fix: ne parse plus dans les commentaires
// ------------------------------------------------------------
if ( (opt.parseall) && (ptr>0) && (!in_media) ) { // option parsing "brut"
int incomment_justquit=0;
if (!is_realspace(*adr)) {
int noparse=0;
// Gestion des /* */
if (inscript) {
if (parseall_incomment) {
if ((*adr=='/') && (*(adr-1)=='*'))
parseall_incomment=0;
incomment_justquit=1; // ne pas noter dernier caractère
} else {
if ((*adr=='/') && (*(adr+1)=='*'))
parseall_incomment=1;
}
} else
parseall_incomment=0;
/* vérifier que l'on est pas dans un <!-- --> pur */
if ( (!intag) && (incomment) && (!inscript))
noparse=1; /* commentaire */
// recherche d'URLs
if ((!parseall_incomment) && (!noparse)) {
if (!p) { // non déja trouvé
if (adr != r.adr) { // >1 caractère
// scanner les chaines
if ((*adr == '\"') || (*adr=='\'')) { // "xx.gif" 'xx.gif'
if (strchr("=(,",parseall_lastc)) { // exemple: a="img.gif..
char *a=adr;
char stop=*adr; // " ou '
int count=0;
// sauter caractères
a++;
// copier
while((*a) && (*a!='\'') && (*a!='\"') && (count<HTS_URLMAXSIZE)) { count++; a++; }
// ok chaine terminée par " ou '
if ((*a == stop) && (count<HTS_URLMAXSIZE) && (count>0)) {
char c;
char* aend;
//
aend=a; // sauver début
a++;
while(is_taborspace(*a)) a++;
c=*a;
if (strchr("),;>/+\r\n",c)) { // exemple: ..img.gif";
// le / est pour funct("img.gif" /* URL */);
char tempo[HTS_URLMAXSIZE*2];
char type[256];
int url_ok=0; // url valide?
tempo[0]='\0'; type[0]='\0';
//
strncat(tempo,adr+1,count);
//
if ((!strchr(tempo,' ')) || inscript) { // espace dedans: méfiance! (sauf dans code javascript)
int invalid_url=0;
// escape
unescape_amp(tempo);
// Couper au # ou ? éventuel
{
char* a=strchr(tempo,'#');
if (a)
*a='\0';
a=strchr(tempo,'?');
if (a)
*a='\0';
}
// vérifier qu'il n'y a pas de caractères spéciaux
if (!strnotempty(tempo))
invalid_url=1;
else if (strchr(tempo,'*')
|| strchr(tempo,'<')
|| strchr(tempo,'>'))
invalid_url=1;
/* non invalide? */
if (!invalid_url) {
// Un plus à la fin? Alors ne pas prendre sauf si extension ("/toto.html#"+tag)
if (c!='+') { // PAS de plus à la fin
char* a;
// "Comparisons of scheme names MUST be case-insensitive" (RFC2616)
//if ((strncmp(tempo,"http://",7)==0) || (strncmp(tempo,"ftp://",6)==0)) // ok pas de problème
if (
(strfield(tempo,"http:"))
|| (strfield(tempo,"ftp:"))
#if HTS_USEOPENSSL
|| (strfield(tempo,"https:"))
#endif
) // ok pas de problème
url_ok=1;
else if (tempo[strlen(tempo)-1]=='/') { // un slash: ok..
if (inscript) // sinon si pas javascript, méfiance (répertoire style base?)
url_ok=1;
} else if ((a=strchr(tempo,'/'))) { // un slash: ok..
if (inscript) { // sinon si pas javascript, méfiance (style "text/css")
if (strchr(a+1,'/')) // un seul / : abandon (STYLE type='text/css')
url_ok=1;
}
}
}
// Prendre si extension reconnue
if (!url_ok) {
get_httptype(type,tempo,0);
if (strnotempty(type)) // type reconnu!
url_ok=1;
else if (is_dyntype(get_ext(tempo))) // reconnu php,cgi,asp..
url_ok=1;
// MAIS pas les foobar@aol.com !!
if (strchr(tempo,'@'))
url_ok=0;
}
//
// Ok, cela pourrait être une URL
if (url_ok) {
// Check if not fodbidden tag (id,name..)
if (intag_start_valid) {
if (intag_start)
if (intag_startattr)
if (intag)
if (!inscript)
if (!incomment) {
int i=0,nop=0;
while( (nop==0) && (strnotempty(hts_nodetect[i])) ) {
nop=rech_tageq(intag_startattr,hts_nodetect[i]);
i++;
}
// Forbidden tag
if (nop) {
url_ok=0;
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"dirty parsing: bad tag avoided: %s"LF,hts_nodetect[i-1]); test_flush;
}
}
}
}
// Accepter URL, on la traitera comme une URL normale!!
if (url_ok)
p=1;
}
}
}
}
}
}
}
}
} // p == 0
// plus dans un commentaire
if (!incomment_justquit)
parseall_lastc=*adr; // caractère avant le prochain
} // not in comment
} // if realspace
} // if parseall
// ------------------------------------------------------------
// p!=0 : on a repéré un éventuel lien
// ------------------------------------------------------------
//
if ((p>0) || (valid_p)) { // on a repéré un lien
//int lien_valide=0;
char* eadr=NULL; /* fin de l'URL */
char* quote_adr=NULL; /* adresse du ? dans l'adresse */
int ok=1;
char quote='\0';
// si nofollow ou un stop a été déclenché, réécrire tous les liens en externe
if ((nofollow) || (opt.state.stop))
p_nocatch=1;
// écrire codebase avant, flusher avant code
if ((p_type==-1) || (p_type==-2)) {
if ((opt.getmode & 1) && (ptr>0)) {
HT_ADD_ADR; // refresh
}
lastsaved=adr; // dernier écrit+1
}
// sauter espaces
adr+=p;
while((is_space(*adr)) && (quote=='\0')) {
if (!quote)
if ((*adr=='\"') || (*adr=='\''))
quote=*adr; // on doit attendre cela à la fin
// puis quitter
adr++; // sauter les espaces, "" et cie
}
/* Stop at \n (LF) if primary links*/
if (ptr == 0)
quote='\n';
/* s'arrêter que ce soit un ' ou un " : pour document.write('<img src="foo'+a); par exemple! */
else if (inscript)
quote='\0';
// sauter éventuel \" ou \' javascript
if (inscript) { // on est dans un obj.write("..
if (*adr=='\\') {
if ((*(adr+1)=='\'') || (*(adr+1)=='"')) { // \" ou \'
adr+=2; // sauter
}
}
}
// sauter content="1;URL=http://..
if (p_searchMETAURL) {
int l=0;
while(
(adr + l + 4 < r.adr + r.size)
&& (!strfield(adr+l,"URL="))
&& (l<128) ) l++;
if (!strfield(adr+l,"URL="))
ok=-1;
else
adr+=(l+4);
}
/* éviter les javascript:document.location=.. : les parser, plutôt */
if (ok!=-1) {
if (strfield(adr,"javascript:")) {
ok=-1;
/*
On est désormais dans du code javascript
*/
inscript_tag=inscript=1;
inscript_tag_lastc=quote; /* à attendre à la fin */
}
}
if (p_type==1) {
if (*adr=='#') {
adr++; // sauter # pour usemap etc
}
}
eadr=adr;
// ne pas flusher après code si on doit écrire le codebase avant!
if ((p_type!=-1) && (p_type!=2) && (p_type!=-2)) {
if ((opt.getmode & 1) && (ptr>0)) {
HT_ADD_ADR; // refresh
}
lastsaved=adr; // dernier écrit+1
// après on écrira soit les données initiales,
// soir une URL/lien modifié!
} else if (p_type==-1) p_flush=adr; // flusher jusqu'à adr ensuite
if (ok!=-1) { // continuer
// découper le lien
do {
if ((* (unsigned char*) eadr)<32) { // caractère de contrôle (ou \0)
if (!is_space(*eadr))
ok=0;
}
if ( ( ((int) (eadr - adr)) ) > HTS_URLMAXSIZE) // ** trop long, >HTS_URLMAXSIZE caractères (on prévoit HTS_URLMAXSIZE autres pour path)
ok=-1; // ne pas traiter ce lien
if (ok > 0) {
//if (*eadr!=' ') {
if (is_space(*eadr)) { // guillemets,CR, etc
if ((!quote) || (*eadr==quote)) // si pas d'attente de quote spéciale ou si quote atteinte
ok=0;
} else if (ending_p && (*eadr==ending_p))
ok=0;
else {
switch(*eadr) {
case '>':
if (!quote) {
if (!inscript) {
intag=0; // PLUS dans un tag!
intag_start_valid=0;
}
ok=0;
}
break;
/*case '<':*/
case '#':
if (*(eadr-1) != '&') // (
ok=0;
break;
// case '?': non!
case '\\': if (inscript) ok=0; break; // \" ou \' point d'arrêt
case '?': quote_adr=adr; break; // noter position query
}
}
//}
}
eadr++;
} while(ok==1);
// Empty link detected
if ( (((int) (eadr - adr))) <= 1) { // link empty
ok=-1; // No
if (*adr != '#') { // Not empty+unique #
if ( (((int) (eadr - adr)) == 1)) { // 1=link empty with delim (end_adr-start_adr)
if (quote) {
if ((opt.getmode & 1) && (ptr>0)) {
HT_ADD("#"); // We add this for a <href="">
}
}
}
}
}
}
if (ok==0) { // tester un lien
char lien[HTS_URLMAXSIZE*2];
int meme_adresse=0; // 0 par défaut pour primary
//char *copie_de_adr=adr;
//char* p;
// construire lien (découpage)
if ( (((int) (eadr - adr))-1) < HTS_URLMAXSIZE ) { // pas trop long?
strncpy(lien,adr,((int) (eadr - adr))-1);
*(lien+ (((int) (eadr - adr)))-1 )='\0';
//printf("link: %s\n",lien);
// supprimer les espaces
while((lien[strlen(lien)-1]==' ') && (strnotempty(lien))) lien[strlen(lien)-1]='\0';
#if HTS_STRIP_DOUBLE_SLASH
// supprimer les // en / (sauf pour http://)
{
char *a,*p,*q;
int done=0;
a=strchr(lien,':'); // http://
if (a) {
a++;
while(*a=='/') a++; // position après http://
} else {
a=lien; // début
while(*a=='/') a++; // position après http://
}
q=strchr(a,'?'); // ne pas traiter après '?'
if (!q)
q=a+strlen(a)-1;
while(( p=strstr(a,"//")) && (!done) ) { // remplacer // par /
if ((int) p>(int) q) { // après le ? (toto.cgi?param=1//2.3)
done=1; // stopper
} else {
char tempo[HTS_URLMAXSIZE*2];
tempo[0]='\0';
strncat(tempo,a,(int) p - (int) a);
strcat (tempo,p+1);
strcpy(a,tempo); // recopier
}
}
}
#endif
} else
lien[0]='\0'; // erreur
// ------------------------------------------------------
// Lien repéré et extrait
if (strnotempty(lien)>0) { // construction du lien
char adr[HTS_URLMAXSIZE*2],fil[HTS_URLMAXSIZE*2]; // ATTENTION adr cache le "vrai" adr
int forbidden_url=-1; // lien non interdit (mais non autorisé..)
int just_test_it=0; // mode de test des liens
int set_prio_to=0; // pour capture de page isolée
int import_done=0; // lien importé (ne pas scanner ensuite *à priori*)
//
adr[0]='\0'; fil[0]='\0';
//
// 0: autorisé
// 1: interdit (patcher tout de même adresse)
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"link detected in html: %s"LF,lien); test_flush;
}
// external check
#if HTS_ANALYSTE
if (!hts_htmlcheck_linkdetected(lien)) {
error=1; // erreur
if (opt.errlog) {
fspc(opt.errlog,"error"); fprintf(opt.errlog,"Link %s refused by external wrapper"LF,lien);
test_flush;
}
}
#endif
// purger espaces de début et fin, CR,LF résiduels
// (IMG SRC="foo.<\n>gif")
{
char* a;
while (is_realspace(lien[0])) {
char tempo[HTS_URLMAXSIZE*2];
tempo[0]='\0';
strcpy(tempo,lien+1);
strcpy(lien,tempo);
}
while(strnotempty(lien)
&& (is_realspace(lien[max(0,(int)(strlen(lien))-1)])) ) {
lien[strlen(lien)-1]='\0';
}
while ((a=strchr(lien,'\n'))) {
char tempo[HTS_URLMAXSIZE*2];
tempo[0]='\0';
strncat(tempo,lien,(int) (a - lien));
strcat(tempo,a+1);
strcpy(lien,tempo);
}
while ((a=strchr(lien,'\r'))) {
char tempo[HTS_URLMAXSIZE*2];
tempo[0]='\0';
strncat(tempo,lien,(int) (a - lien));
strcat(tempo,a+1);
strcpy(lien,tempo);
}
}
/* Unescape/escape %20 and other */
{
char query[HTS_URLMAXSIZE*2];
char* a=strchr(lien,'?');
if (a) {
strcpy(query,a);
*a='\0';
} else
query[0]='\0';
// conversion & -> & et autres joyeusetés
unescape_amp(lien);
unescape_amp(query);
// décoder l'inutile (%2E par exemple) et coder espaces
// XXXXXXXXXXXXXXXXX strcpy(lien,unescape_http(lien));
strcpy(lien,unescape_http_unharm(lien, (no_esc_utf)?0:1));
escape_spc_url(lien);
strcat(lien,query); /* restore */
}
// convertir les éventuels \ en des / pour éviter des problèmes de reconnaissance!
{
char* a=jump_identification(lien);
while( (a=strchr(a,'\\')) ) *a='/';
}
// supprimer le(s) ./
while ((lien[0]=='.') && (lien[1]=='/')) {
char tempo[HTS_URLMAXSIZE*2];
strcpy(tempo,lien+2);
strcpy(lien,tempo);
}
if (strnotempty(lien)==0) // sauf si plus de nom de fichier
strcpy(lien,"./");
// vérifie les /~machin -> /~machin/
// supposition dangereuse?
// OUI!!
#if HTS_TILDE_SLASH
if (lien[strlen(lien)-1]!='/') {
char *a=lien+strlen(lien)-1;
// éviter aussi index~1.html
while (((int) a>(int) lien) && (*a!='~') && (*a!='/') && (*a!='.')) a--;
if (*a=='~') {
strcat(lien,"/"); // ajouter slash
}
}
#endif
// APPLET CODE="mixer.MixerApplet.class" --> APPLET CODE="mixer/MixerApplet.class"
// yes, this is dirty
// but I'm so lazzy..
// and besides the java "code" convention is really a pain in html code
if (p_type==-1) {
char* a=strrchr(lien,'.');
add_class_dots_to_patch=0;
if (a) {
char* b;
do {
b=strchr(lien,'.');
if ((b != a) && (b)) {
add_class_dots_to_patch++;
*b='/';
}
} while((b != a) && (b));
}
}
// éliminer les éventuels :80 (port par défaut!)
if (link_has_authority(lien)) {
char * a;
a=strstr(lien,"//"); // "//" authority
if (a)
a+=2;
else
a=lien;
// while((*a) && (*a!='/') && (*a!=':')) a++;
a=jump_toport(a);
if (a) { // port
int port=0;
int defport=80;
char* b=a+1;
#if HTS_USEOPENSSL
// FIXME
//if (strfield(adr, "https:")) {
//}
#endif
while(isdigit((unsigned char)*b)) { port*=10; port+=(int) (*b-'0'); b++; }
if (port==defport) { // port 80, default - c'est débile
char tempo[HTS_URLMAXSIZE*2];
tempo[0]='\0';
strncat(tempo,lien,(int) (a - lien));
strcat(tempo,a+3); // sauter :80
strcpy(lien,tempo);
}
}
}
// filtrer les parazites (mailto & cie)
/*
if (strfield(lien,"mailto:")) { // ne pas traiter
error=1;
} else if (strfield(lien,"news:")) { // ne pas traiter
error=1;
}
*/
// vérifier que l'on ne doit pas ajouter de .class
if (!error) {
if (add_class) {
char *a = lien+strlen(lien)-1;
while(( a > lien) && (*a!='/') && (*a!='.')) a--;
if (*a != '.')
strcat(lien,".class"); // ajouter .class
else if (!strfield2(a,".class"))
strcat(lien,".class"); // idem
}
}
// si c'est un chemin, alors vérifier (toto/toto.html -> http://www/toto/)
if (!error) {
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"position link check %s"LF,lien); test_flush;
}
if ((p_type==2) || (p_type==-2)) { // code ou codebase
// Vérifier les codebase=applet (au lieu de applet/)
if (p_type==-2) { // codebase
if (strnotempty(lien)) {
if (fil[strlen(lien)-1]!='/') { // pas répertoire
strcat(lien,"/");
}
}
}
/* only one ending / (bug on some pages) */
if ((int)strlen(lien)>2) {
while( (lien[strlen(lien)-2]=='/') && ((int)strlen(lien)>2) ) /* double // (bug) */
lien[strlen(lien)-1]='\0';
}
// copier nom host si besoin est
if (!link_has_authority(lien)) { // pas de http://
char adr2[HTS_URLMAXSIZE*2],fil2[HTS_URLMAXSIZE*2]; // ** euh ident_url_relatif??
if (ident_url_relatif(lien,urladr,urlfil,adr2,fil2)<0) {
error=1;
} else {
strcpy(lien,"http://");
strcat(lien,adr2);
if (*fil2!='/')
strcat(lien,"/");
strcat(lien,fil2);
{
char* a;
a=lien+strlen(lien)-1;
while((*a) && (*a!='/') && ( a> lien)) a--;
if (*a=='/') {
*(a+1)='\0';
}
}
//char tempo[HTS_URLMAXSIZE*2];
//strcpy(tempo,"http://");
//strcat(tempo,urladr); // host
//if (*lien!='/')
// strcat(tempo,"/");
//strcat(tempo,lien);
//strcpy(lien,tempo);
}
}
if (!error) { // pas d'erreur?
if (p_type==2) { // code ET PAS codebase
char* a=lien+strlen(lien)-1;
while( (a > lien) && (*a) && (*a!='/')) a--;
if (*a=='/') // ok on a repéré le dernier /
*(a+1)='\0'; // couper
else {
*lien='\0'; // éliminer
error=1; // erreur, ne pas poursuivre
}
}
// stocker base ou codebase?
switch(p_type) {
case 2: {
//if (*lien!='/') strcat(base,"/");
strcpy(base,lien);
}
break; // base
case -2: {
//if (*lien!='/') strcat(codebase,"/");
strcpy(codebase,lien);
}
break; // base
}
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"code/codebase link %s base %s"LF,lien,base); test_flush;
}
//printf("base code: %s - %s\n",lien,base);
}
} else {
char* _base;
if (p_type==-1) // code (applet)
_base=codebase;
else
_base=base;
// ajouter chemin de base href..
if (strnotempty(_base)) { // considérer base
if (!link_has_authority(lien)) { // non absolue
//if (*lien!='/') { // non absolu sur le site (/)
if ( ((int) strlen(_base)+(int) strlen(lien))<HTS_URLMAXSIZE) {
// mailto: and co: do NOT add base
if (ident_url_relatif(lien,urladr,urlfil,adr,fil)>=0) {
char tempo[HTS_URLMAXSIZE*2];
// base est absolue
strcpy(tempo,_base);
strcat(tempo,lien + ((*lien=='/')?1:0) );
strcpy(lien,tempo); // patcher en considérant base
// ** vérifier que ../ fonctionne (ne doit pas arriver mais bon..)
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"link modified with code/codebase %s"LF,lien); test_flush;
}
}
} else {
error=1; // erreur
if (opt.errlog) {
fspc(opt.errlog,"error"); fprintf(opt.errlog,"Link %s too long with base href"LF,lien);
test_flush;
}
}
//}
}
}
}
}
// transformer lien quelconque (http, relatif, etc) en une adresse
// et un chemin+fichier (adr,fil)
if (!error) {
int reponse;
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"build relative link %s with %s%s"LF,lien,urladr,urlfil); test_flush;
}
if ((reponse=ident_url_relatif(lien,urladr,urlfil,adr,fil))<0) {
adr[0]='\0'; // erreur
if (reponse==-2) {
if (opt.errlog) {
fspc(opt.errlog,"warning"); fprintf(opt.errlog,"Link %s not caught (unknown ftp:// protocol)"LF,lien);
test_flush;
}
} else {
if ((opt.debug>1) && (opt.errlog!=NULL)) {
fspc(opt.errlog,"debug"); fprintf(opt.errlog,"ident_url_relatif failed for %s with %s%s"LF,lien,urladr,urlfil); test_flush;
}
}
}
} else {
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"link %s not build, error detected before"LF,lien); test_flush;
}
adr[0]='\0';
}
#if HTS_CHECK_STRANGEDIR
// !ATTENTION!
// Ici on teste les exotiques du genre www.truc.fr/machin (sans slash à la fin)
// je n'ai pas encore trouvé le moyen de faire la différence entre un répertoire
// et un fichier en http A PRIORI : je fais donc un test
// En cas de moved xxx, on recalcule adr et fil, tout simplement
// DEFAUT: test effectué plusieurs fois! à revoir!!!
if ((adr[0]!='\0') && (strcmp(adr,"file://") && (p_type!=2) && (p_type!=-2)) {
//## if ((adr[0]!='\0') && (adr[0]!=lOCAL_CHAR) && (p_type!=2) && (p_type!=-2)) {
if (fil[strlen(fil)-1]!='/') { // pas répertoire
if (ishtml(fil)==-2) { // pas d'extension
char loc[HTS_URLMAXSIZE*2]; // éventuelle nouvelle position
loc[0]='\0';
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"link-check-directory: %s%s"LF,adr,fil);
test_flush;
}
// tester éventuelle nouvelle position
switch (http_location(adr,fil,loc).statuscode) {
case 200: // ok au final
if (strnotempty(loc)) { // a changé d'adresse
if (opt.errlog) {
fspc(opt.errlog,"warning"); fprintf(opt.errlog,"Link %s%s has moved to %s for %s%s"LF,adr,fil,loc,urladr,urlfil);
test_flush;
}
// recalculer adr et fil!
if (ident_url_absolute(loc,adr,fil)==-1) {
adr[0]='\0'; // cancel
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"link-check-dir: %s%s"LF,adr,fil);
test_flush;
}
}
}
break;
case -2: case -3: // timeout ou erreur grave
if (opt.errlog) {
fspc(opt.errlog,"warning"); fprintf(opt.errlog,"Connection too slow for testing link %s%s (from %s%s)"LF,adr,fil,urladr,urlfil);
test_flush;
}
break;
}
}
}
}
#endif
// Le lien doit juste être réécrit, mais ne doit pas générer un lien
// exemple: <FORM ACTION="url_cgi">
if (p_nocatch) {
forbidden_url=1; // interdire récupération du lien
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"link forced external at %s%s"LF,adr,fil);
test_flush;
}
}
// Tester si un lien doit être accepté ou refusé (wizard)
// forbidden_url=1 : lien refusé
// forbidden_url=0 : lien accepté
//if ((ptr>0) && (p_type!=2) && (p_type!=-2)) { // tester autorisations?
if ((p_type!=2) && (p_type!=-2)) { // tester autorisations?
if (!p_nocatch) {
if (adr[0]!='\0') {
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"wizard link test at %s%s.."LF,adr,fil);
test_flush;
}
forbidden_url=hts_acceptlink(&opt,ptr,lien_tot,liens,
adr,fil,
&filters,&filptr,opt.maxfilter,
&robots,
&set_prio_to,
&just_test_it);
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"result for wizard link test: %d"LF,forbidden_url);
test_flush;
}
}
}
}
// calculer meme_adresse
meme_adresse=strfield2(jump_identification(adr),jump_identification(urladr));
// Début partie sauvegarde
// ici on forme le nom du fichier à sauver, et on patche l'URL
if (adr[0]!='\0') {
// savename: simplifier les ../ et autres joyeusetés
char save[HTS_URLMAXSIZE*2];
int r_sv=0;
// En cas de moved, adresse première
char former_adr[HTS_URLMAXSIZE*2];
char former_fil[HTS_URLMAXSIZE*2];
//
save[0]='\0'; former_adr[0]='\0'; former_fil[0]='\0';
//
// nom du chemin à sauver si on doit le calculer
// note: url_savename peut décider de tester le lien si il le trouve
// suspect, et modifier alors adr et fil
// dans ce cas on aura une référence directe au lieu des traditionnels
// moved en cascade (impossible à reproduire à priori en local, lorsque des fichiers
// gif sont impliqués par exemple)
if ((p_type!=2) && (p_type!=-2)) { // pas base href ou codebase
if (forbidden_url!=1) {
char last_adr[HTS_URLMAXSIZE*2];
last_adr[0]='\0';
//char last_fil[HTS_URLMAXSIZE*2]="";
strcpy(last_adr,adr); // ancienne adresse
//strcpy(last_fil,fil); // ancien chemin
r_sv=url_savename(adr,fil,save,former_adr,former_fil,liens[ptr]->adr,liens[ptr]->fil,&opt,liens,lien_tot,back,back_max,&cache,&hash,ptr,numero_passe);
if (strcmp(jump_identification(last_adr),jump_identification(adr)) != 0) { // a changé
// 2e test si moved
// Tester si un lien doit être accepté ou refusé (wizard)
// forbidden_url=1 : lien refusé
// forbidden_url=0 : lien accepté
if ((ptr>0) && (p_type!=2) && (p_type!=-2)) { // tester autorisations?
if (!p_nocatch) {
if (adr[0]!='\0') {
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"wizard moved link retest at %s%s.."LF,adr,fil);
test_flush;
}
forbidden_url=hts_acceptlink(&opt,ptr,lien_tot,liens,
adr,fil,
&filters,&filptr,opt.maxfilter,
&robots,
&set_prio_to,
&just_test_it);
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"result for wizard moved link retest: %d"LF,forbidden_url);
test_flush;
}
}
}
}
//import_done=1; // c'est un import!
meme_adresse=0; // on a changé
}
} else {
strcpy(save,""); // dummy
}
}
if (r_sv!=-1) { // pas d'erreur, on continue
/* log */
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug");
if (forbidden_url!=1) { // le lien va être chargé
if ((p_type==2) || (p_type==-2)) { // base href ou codebase, pas un lien
fprintf(opt.log,"Code/Codebase: %s%s"LF,adr,fil);
} else if ((opt.getmode & 4)==0) {
fprintf(opt.log,"Record: %s%s -> %s"LF,adr,fil,save);
} else {
if (!ishtml(fil))
fprintf(opt.log,"Record after: %s%s -> %s"LF,adr,fil,save);
else
fprintf(opt.log,"Record: %s%s -> %s"LF,adr,fil,save);
}
} else
fprintf(opt.log,"External: %s%s"LF,adr,fil);
test_flush;
}
/* FIN log */
// écrire lien
if ((p_type==2) || (p_type==-2)) { // base href ou codebase, sauter
lastsaved=eadr-1+1; // sauter "
}
/* */
else if (opt.urlmode==0) { // URL absolue dans tous les cas
if ((opt.getmode & 1) && (ptr>0)) { // ecrire les html
if (!link_has_authority(adr)) {
HT_ADD("http://");
} else {
char* aut = strstr(adr, "//");
if (aut) {
char tmp[256];
tmp[0]='\0';
strncat(tmp, adr, (int) (aut - adr)); // scheme
HT_ADD(tmp); // Protocol
HT_ADD("//");
}
}
if (!opt.passprivacy) {
HT_ADD(jump_protocol(adr)); // Password
} else {
HT_ADD(jump_identification(adr)); // No Password
}
if (*fil!='/')
HT_ADD("/");
HT_ADD(fil);
}
lastsaved=eadr-1; // dernier écrit+1 (enfin euh apres on fait un ++ alors hein)
/* */
} else if (opt.urlmode >= 4) { // ne rien faire dans tous les cas!
/* */
/* leave the link 'as is' */
/* Sinon, dépend de interne/externe */
} else if (forbidden_url==1) { // le lien ne sera pas chargé, référence externe!
if ((opt.getmode & 1) && (ptr>0)) {
if (p_type!=-1) { // pas que le nom de fichier (pas classe java)
if (!opt.external) {
if (!link_has_authority(adr)) {
HT_ADD("http://");
if (!opt.passprivacy) {
HT_ADD(adr); // Password
} else {
HT_ADD(jump_identification(adr)); // No Password
}
if (*fil!='/')
HT_ADD("/");
HT_ADD(fil);
} else {
char* aut = strstr(adr, "//");
if (aut) {
char tmp[256];
tmp[0]='\0';
strncat(tmp, adr, (int) (aut - adr)); // scheme
HT_ADD(tmp); // Protocol
HT_ADD("//");
if (!opt.passprivacy) {
HT_ADD(jump_protocol(adr)); // Password
} else {
HT_ADD(jump_identification(adr)); // No Password
}
if (*fil!='/')
HT_ADD("/");
HT_ADD(fil);
}
}
//
} else { // fichier/page externe, mais on veut générer une erreur
//
int patch_it=0;
int add_url=0;
char* cat_name=NULL;
char* cat_data=NULL;
int cat_nb=0;
int cat_data_len=0;
// ajouter lien external
switch ( (link_has_authority(adr)) ? 1 : ( (fil[strlen(fil)-1]=='/')?1:(ishtml(fil)) ) ) {
case 1: case -2: // html ou répertoire
if (opt.getmode & 1) { // sauver html
patch_it=1; // redirect
add_url=1; // avec link?
cat_name="external.html";
cat_nb=0;
cat_data=HTS_DATA_UNKNOWN_HTML;
cat_data_len=HTS_DATA_UNKNOWN_HTML_LEN;
}
break;
default: // inconnu
// asp, cgi..
if (is_dyntype(get_ext(fil))) {
patch_it=1; // redirect
add_url=1; // avec link?
cat_name="external.html";
cat_nb=0;
cat_data=HTS_DATA_UNKNOWN_HTML;
cat_data_len=HTS_DATA_UNKNOWN_HTML_LEN;
} else if ( (strfield2(fil+max(0,(int)strlen(fil)-4),".gif"))
|| (strfield2(fil+max(0,(int)strlen(fil)-4),".jpg"))
|| (strfield2(fil+max(0,(int)strlen(fil)-4),".xbm"))
|| (ishtml(fil)!=0) ) {
patch_it=1; // redirect
add_url=1; // avec link aussi
cat_name="external.gif";
cat_nb=1;
cat_data=HTS_DATA_UNKNOWN_GIF;
cat_data_len=HTS_DATA_UNKNOWN_GIF_LEN;
}
break;
}// html,gif
if (patch_it) {
char save[HTS_URLMAXSIZE*2];
char tempo[HTS_URLMAXSIZE*2];
strcpy(save,opt.path_html);
strcat(save,cat_name);
if (lienrelatif(tempo,save,savename)==0) {
if (!no_esc_utf)
escape_uri(tempo); // escape with %xx
else
escape_uri_utf(tempo); // escape with %xx
HT_ADD(tempo); // page externe
if (add_url) {
HT_ADD("?link="); // page externe
// same as above
if (!link_has_authority(adr)) {
HT_ADD("http://");
if (!opt.passprivacy) {
HT_ADD(adr); // Password
} else {
HT_ADD(jump_identification(adr)); // No Password
}
if (*fil!='/')
HT_ADD("/");
HT_ADD(fil);
} else {
char* aut = strstr(adr, "//");
if (aut) {
char tmp[256];
tmp[0]='\0';
strncat(tmp, adr, (int) (aut - adr) + 2); // scheme
HT_ADD(tmp);
if (!opt.passprivacy) {
HT_ADD(jump_protocol(adr)); // Password
} else {
HT_ADD(jump_identification(adr)); // No Password
}
if (*fil!='/')
HT_ADD("/");
HT_ADD(fil);
}
}
//
}
}
// écrire fichier?
if (verif_external(cat_nb,1)) {
//if (!fexist(fconcat(opt.path_html,cat_name))) {
FILE* fp = filecreate(fconcat(opt.path_html,cat_name));
if (fp) {
if (cat_data_len==0) { // texte
verif_backblue(opt.path_html);
fprintf(fp,"%s%s","<!-- Created by HTTrack Website Copier/"HTTRACK_VERSION" "HTTRACK_AFF_AUTHORS" -->"LF,cat_data);
} else { // data
fwrite(cat_data,cat_data_len,1,fp);
}
fclose(fp);
usercommand(0,NULL,fconcat(opt.path_html,cat_name));
}
}
} else { // écrire normalement le nom de fichier
HT_ADD("http://");
if (!opt.passprivacy) {
HT_ADD(adr); // Password
} else {
HT_ADD(jump_identification(adr)); // No Password
}
if (*fil!='/')
HT_ADD("/");
HT_ADD(fil);
}// patcher?
} // external
} else { // que le nom de fichier (classe java)
// en gros recopie de plus bas: copier codebase et base
if (p_flush) {
char tempo[HTS_URLMAXSIZE*2]; // <-- ajouté
char tempo_pat[HTS_URLMAXSIZE*2];
// Calculer chemin
tempo_pat[0]='\0';
strcpy(tempo,fil); // <-- ajouté
{
char* a=strrchr(tempo,'/');
// Example: we converted code="x.y.z.foo.class" into "x/y/z/foo.class"
// we have to do the contrary now
if (add_class_dots_to_patch>0) {
while( (add_class_dots_to_patch>0) && (a) ) {
*a='.'; // convert "false" java / into .
add_class_dots_to_patch--;
a=strrchr(tempo,'/');
}
// if add_class_dots_to_patch, this is because there is a problem!!
if (add_class_dots_to_patch) {
if (opt.errlog) {
fspc(opt.errlog,"warning"); fprintf(opt.errlog,"Error: can not rewind java path %s, check html code"LF,tempo);
test_flush;
}
}
}
// Cut path/filename
if (a) {
char tempo2[HTS_URLMAXSIZE*2];
strcpy(tempo2,a+1); // FICHIER
strncat(tempo_pat,tempo,(int) (a - tempo)+1); // chemin
strcpy(tempo,tempo2); // fichier
}
}
// érire codebase="chemin"
if ((opt.getmode & 1) && (ptr>0)) {
char tempo4[HTS_URLMAXSIZE*2];
tempo4[0]='\0';
if (strnotempty(tempo_pat)) {
HT_ADD("codebase=\"http://");
if (!opt.passprivacy) {
HT_ADD(adr); // Password
} else {
HT_ADD(jump_identification(adr)); // No Password
}
if (*tempo_pat!='/') HT_ADD("/");
HT_ADD(tempo_pat);
HT_ADD("\" ");
}
strncat(tempo4,lastsaved,(int) (p_flush - lastsaved));
HT_ADD(tempo4); // refresh code="
HT_ADD(tempo);
}
}
}
}
lastsaved=eadr-1;
}
/*
else if (opt.urlmode==1) { // ABSOLU, c'est le cas le moins courant
// NE FONCTIONNE PAS!! (et est inutile)
if ((opt.getmode & 1) && (ptr>0)) { // ecrire les html
// écrire le lien modifié, absolu
HT_ADD("file:");
if (*save=='/')
HT_ADD(save+1)
else
HT_ADD(save)
}
lastsaved=eadr-1; // dernier écrit+1 (enfin euh apres on fait un ++ alors hein)
}
*/
else if (opt.urlmode==3) { // URI absolue /
if ((opt.getmode & 1) && (ptr>0)) { // ecrire les html
HT_ADD(fil);
}
lastsaved=eadr-1; // dernier écrit+1 (enfin euh apres on fait un ++ alors hein)
}
else if (opt.urlmode==2) { // RELATIF
char tempo[HTS_URLMAXSIZE*2];
tempo[0]='\0';
// calculer le lien relatif
if (lienrelatif(tempo,save,savename)==0) {
if (!no_esc_utf)
escape_uri(tempo); // escape with %xx
else
escape_uri_utf(tempo); // escape with %xx
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"relative link at %s build with %s and %s: %s"LF,adr,save,savename,tempo);
test_flush;
}
// lien applet (code) - il faut placer un codebase avant
if (p_type==-1) { // que le nom de fichier
if (p_flush) {
char tempo_pat[HTS_URLMAXSIZE*2];
tempo_pat[0]='\0';
{
char* a=strrchr(tempo,'/');
// Example: we converted code="x.y.z.foo.class" into "x/y/z/foo.class"
// we have to do the contrary now
if (add_class_dots_to_patch>0) {
while( (add_class_dots_to_patch>0) && (a) ) {
*a='.'; // convert "false" java / into .
add_class_dots_to_patch--;
a=strrchr(tempo,'/');
}
// if add_class_dots_to_patch, this is because there is a problem!!
if (add_class_dots_to_patch) {
if (opt.errlog) {
fspc(opt.errlog,"warning"); fprintf(opt.errlog,"Error: can not rewind java path %s, check html code"LF,tempo);
test_flush;
}
}
}
if (a) {
char tempo2[HTS_URLMAXSIZE*2];
strcpy(tempo2,a+1);
strncat(tempo_pat,tempo,(int) (a - tempo)+1); // chemin
strcpy(tempo,tempo2); // fichier
}
}
// érire codebase="chemin"
if ((opt.getmode & 1) && (ptr>0)) {
char tempo4[HTS_URLMAXSIZE*2];
tempo4[0]='\0';
if (strnotempty(tempo_pat)) {
HT_ADD("codebase=\"");
HT_ADD(tempo_pat);
HT_ADD("\" ");
}
strncat(tempo4,lastsaved,(int) (p_flush - lastsaved));
HT_ADD(tempo4); // refresh code="
}
}
//lastsaved=adr; // dernier écrit+1
}
if ((opt.getmode & 1) && (ptr>0)) {
// écrire le lien modifié, relatif
HT_ADD(tempo);
// Add query-string, for informational purpose only
// Useless, because all parameters-pages are saved into different targets
if (opt.includequery) {
char* a=strchr(lien,'?');
if (a) {
HT_ADD(a);
}
}
}
lastsaved=eadr-1; // dernier écrit+1 (enfin euh apres on fait un ++ alors hein)
} else {
if (opt.errlog) {
fprintf(opt.errlog,"Error building relative link %s and %s"LF,save,savename);
test_flush;
}
}
} // sinon le lien sera écrit normalement
#if 0
if (fexist(save)) { // le fichier existe..
adr[0]='\0';
//if ((opt.debug>0) && (opt.log!=NULL)) {
if (opt.errlog) {
fspc(opt.errlog,"warning"); fprintf(opt.errlog,"Link has already been written on disk, cancelled: %s"LF,save);
test_flush;
}
}
#endif
/* Security check */
if (strlen(save) >= HTS_URLMAXSIZE) {
adr[0]='\0';
if (opt.errlog) {
fspc(opt.errlog,"warning"); fprintf(opt.errlog,"Link is too long: %s"LF,save);
test_flush;
}
}
if ((adr[0]!='\0') && (p_type!=2) && (p_type!=-2) && ( (forbidden_url!=1) || (just_test_it))) { // si le fichier n'existe pas, ajouter à la liste
// n'y a-t-il pas trop de liens?
if (lien_tot+1 >= lien_max-4) { // trop de liens!
printf("PANIC! : Too many URLs : >%d [%d]\n",lien_tot,__LINE__);
if (opt.errlog) {
fprintf(opt.errlog,LF"Too many URLs, giving up..(>%d)"LF,lien_max);
fprintf(opt.errlog,"To avoid that: use #L option for more links (example: -#L1000000)"LF);
test_flush;
}
if ((opt.getmode & 1) && (ptr>0)) { if (fp) { fclose(fp); fp=NULL; } }
XH_uninit; // désallocation mémoire & buffers
return 0;
} else { // noter le lien sur la listes des liens à charger
int pass_fix,dejafait=0;
// Calculer la priorité de ce lien
if ((opt.getmode & 4)==0) { // traiter html après
pass_fix=0;
} else { // vérifier que ce n'est pas un !html
if (!ishtml(fil))
pass_fix=1; // priorité inférieure (traiter après)
else
pass_fix=max(0,numero_passe); // priorité normale
}
/* If the file seems to be an html file, get depth-1 */
/*
if (strnotempty(save)) {
if (ishtml(save) == 1) {
// descore_prio = 2;
} else {
// descore_prio = 1;
}
}
*/
// vérifier que le lien n'a pas déja été noté
// si c'est le cas, alors il faut s'assurer que la priorité associée
// au fichier est la plus grande des deux priorités
//
// On part de la fin et on essaye de se presser (économise temps machine)
#if HTS_HASH
{
int i=hash_read(&hash,save,"",0); // lecture type 0 (sav)
if (i>=0) {
liens[i]->depth=maximum(liens[i]->depth,liens[ptr]->depth - 1);
dejafait=1;
}
}
#else
{
int l;
int i;
l=strlen(save); // opti
for(i=lien_tot-1;(i>=0) && (dejafait==0);i--) {
if (liens[i]->sav_len==l) { // même taille de chaîne
if (strcmp(liens[i]->sav,save)==0) { // existe déja
liens[i]->depth=maximum(liens[i]->depth,liens[ptr]->depth - 1);
dejafait=1;
}
}
}
}
#endif
// le lien n'a jamais été créé.
// cette fois ci, on le crée!
if (!dejafait) {
//
// >>>> CREER LE LIEN <<<<
//
// enregistrer lien à charger
//liens[lien_tot]->adr[0]=liens[lien_tot]->fil[0]=liens[lien_tot]->sav[0]='\0';
// même adresse: l'objet père est l'objet père de l'actuel
// DEBUT ROBOTS.TXT AJOUT
if (!just_test_it) {
if (
(!strfield(adr,"ftp://")) // non ftp
&& (!strfield(adr,"file://")) ) { // non file
if (opt.robots) { // récupérer robots
if (ishtml(fil)!=0) { // pas la peine pour des fichiers isolés
if (checkrobots(&robots,adr,"") != -1) { // robots.txt ?
checkrobots_set(&robots,adr,""); // ajouter entrée vide
if (checkrobots(&robots,adr,"") == -1) { // robots.txt ?
// enregistrer robots.txt (MACRO)
liens_record(adr,"/robots.txt","","","");
if (liens[lien_tot]==NULL) { // erreur, pas de place réservée
printf("PANIC! : Not enough memory [%d]\n",__LINE__);
if (opt.errlog) {
fprintf(opt.errlog,"Not enough memory, can not re-allocate %d bytes"LF,(int)((add_tab_alloc+1)*sizeof(lien_url)));
test_flush;
}
if ((opt.getmode & 1) && (ptr>0)) { if (fp) { fclose(fp); fp=NULL; } }
XH_uninit; // désallocation mémoire & buffers
return 0;
}
liens[lien_tot]->testmode=0; // pas mode test
liens[lien_tot]->link_import=0; // pas mode import
liens[lien_tot]->premier=lien_tot;
liens[lien_tot]->precedent=ptr;
liens[lien_tot]->depth=0;
liens[lien_tot]->pass2=max(0,numero_passe);
liens[lien_tot]->retry=0;
lien_tot++; // UN LIEN DE PLUS
#if DEBUG_ROBOTS
printf("robots.txt: added file robots.txt for %s\n",adr);
#endif
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"robots.txt added at %s"LF,adr);
test_flush;
}
} else {
if (opt.errlog) {
fprintf(opt.errlog,"Unexpected robots.txt error at %d"LF,__LINE__);
test_flush;
}
}
}
}
}
}
}
// FIN ROBOTS.TXT AJOUT
// enregistrer (MACRO)
liens_record(adr,fil,save,former_adr,former_fil);
if (liens[lien_tot]==NULL) { // erreur, pas de place réservée
printf("PANIC! : Not enough memory [%d]\n",__LINE__);
if (opt.errlog) {
fprintf(opt.errlog,"Not enough memory, can not re-allocate %d bytes"LF,(int)((add_tab_alloc+1)*sizeof(lien_url)));
test_flush;
}
if ((opt.getmode & 1) && (ptr>0)) { if (fp) { fclose(fp); fp=NULL; } }
XH_uninit; // désallocation mémoire & buffers
return 0;
}
// mode test?
if (!just_test_it)
liens[lien_tot]->testmode=0; // pas mode test
else
liens[lien_tot]->testmode=1; // mode test
if (!import_done)
liens[lien_tot]->link_import=0; // pas mode import
else
liens[lien_tot]->link_import=1; // mode import
// écrire autres paramètres de la structure-lien
if ((meme_adresse) && (!import_done) && (liens[ptr]->premier != 0))
liens[lien_tot]->premier=liens[ptr]->premier;
else // sinon l'objet père est le précédent lui même
liens[lien_tot]->premier=lien_tot;
// liens[lien_tot]->premier=ptr;
liens[lien_tot]->precedent=ptr;
// noter la priorité
if (!set_prio_to)
liens[lien_tot]->depth=liens[ptr]->depth - 1;
else
liens[lien_tot]->depth=max(0,min(liens[ptr]->depth-1,set_prio_to-1)); // PRIORITE NULLE (catch page)
// noter pass
liens[lien_tot]->pass2=pass_fix;
liens[lien_tot]->retry=opt.retry;
//strcpy(liens[lien_tot]->adr,adr);
//strcpy(liens[lien_tot]->fil,fil);
//strcpy(liens[lien_tot]->sav,save);
if ((opt.debug>1) && (opt.log!=NULL)) {
if (!just_test_it) {
fspc(opt.log,"debug"); fprintf(opt.log,"OK, NOTE: %s%s -> %s"LF,liens[lien_tot]->adr,liens[lien_tot]->fil,liens[lien_tot]->sav);
} else {
fspc(opt.log,"debug"); fprintf(opt.log,"OK, TEST: %s%s"LF,liens[lien_tot]->adr,liens[lien_tot]->fil);
}
test_flush;
}
lien_tot++; // UN LIEN DE PLUS
} else { // if !dejafait
if ((opt.debug>1) && (opt.log!=NULL)) {
fspc(opt.log,"debug"); fprintf(opt.log,"link has already been recorded, cancelled: %s"LF,save);
test_flush;
}
}
} // si pas trop de liens
} // si adr[0]!='\0'
} // if adr[0]!='\0'
} // if adr[0]!='\0'
} // if strlen(lien)>0
} // if ok==0
adr=eadr-1; // ** sauter
} // if (p)
} // si '<' ou '>'
// plus loin
adr++;
/* Otimization: if we are scanning in HTML data (not in tag or script),
then jump to the next starting tag */
if (ptr>0) {
if ( (!intag) /* Not in tag */
&& (!inscript) /* Not in (java)script */
&& (!incomment) /* Not in comment (<!--) */
&& (!inscript_tag) /* Not in tag with script inside */
)
{
/* Not at the end */
if (( ((int) (adr - r.adr)) ) < r.size) {
/* Not on a starting tag yet */
if (*adr != '<') {
char* adr_next = strchr(adr,'<');
/* Jump to near end (index hack) */
if (!adr_next) {
if (
( (int)(adr - r.adr) < (r.size - 4))
&&
(r.size > 4)
) {
adr = r.adr + r.size - 2;
}
} else {
adr = adr_next;
}
}
}
}
}
// ----------
// écrire peu à peu
if ((opt.getmode & 1) && (ptr>0)) HT_ADD_ADR;
lastsaved=adr; // dernier écrit+1
// ----------
// pour les stats du shell si parsing trop long
#if HTS_ANALYSTE
if (r.size)
_hts_in_html_done=(100 * ((int) (adr - r.adr)) ) / (int)(r.size);
if (_hts_in_html_poll) {
_hts_in_html_poll=0;
// temps à attendre, et remplir autant que l'on peut le cache (backing)
back_wait(back,back_max,&opt,&cache,HTS_STAT.stat_timestart);
back_fillmax(back,back_max,&opt,&cache,liens,ptr,numero_passe,lien_tot);
// Transfer rate
engine_stats();
// Refresh various stats
HTS_STAT.stat_nsocket=back_nsoc(back,back_max);
HTS_STAT.stat_errors=fspc(NULL,"error");
HTS_STAT.stat_warnings=fspc(NULL,"warning");
HTS_STAT.stat_infos=fspc(NULL,"info");
HTS_STAT.nbk=backlinks_done(liens,lien_tot,ptr);
HTS_STAT.nb=back_transfered(HTS_STAT.stat_bytes,back,back_max);
if (!hts_htmlcheck_loop(back,back_max,0,ptr,lien_tot,(int) (time_local()-HTS_STAT.stat_timestart),&HTS_STAT)) {
if (opt.errlog) {
fspc(opt.errlog,"info"); fprintf(opt.errlog,"Exit requested by shell or user"LF);
test_flush;
}
exit_xh=1; // exit requested
XH_uninit;
return 0;
//adr = r.adr + r.size; // exit
} else if (_hts_cancel==1) {
// adr = r.adr + r.size; // exit
nofollow=1; // moins violent
_hts_cancel=0;
}
}
// refresh the backing system each 2 seconds
if (engine_stats()) {
back_wait(back,back_max,&opt,&cache,HTS_STAT.stat_timestart);
back_fillmax(back,back_max,&opt,&cache,liens,ptr,numero_passe,lien_tot);
}
#endif
} while(( ((int) (adr - r.adr)) ) < r.size);
#if HTS_ANALYSTE
_hts_in_html_parsing=0; // flag
_hts_cancel=0; // pas de cancel
#endif
if ((opt.getmode & 1) && (ptr>0)) {
HT_ADD_END; // achever
}
//
//
//
} // if !error
if (opt.getmode & 1) { if (fp) { fclose(fp); fp=NULL; } }
// sauver fichier
//structcheck(savename);
//filesave(r.adr,r.size,savename);
#if HTS_ANALYSTE
} // analyse OK
#endif
|
