//public virtual List<Uri> Crawl2(Uri websiteUri, PageDownloader pageDownloader, PageParser pageParser)
//{
// List<Uri> result = new List<Uri>();
// Queue<Uri> linksToParse = new Queue<Uri>();
// linksToParse.Enqueue(websiteUri);
//
// while (linksToParse.Count!=0)
// {
// var linkToParse = linksToParse.Dequeue();
// result.Add(linkToParse);
// string htmlPage = pageDownloader.GetPage(linkToParse);
// var parsedLinks = pageParser.GetLinks(htmlPage, websiteUri);
//
// foreach (var link in parsedLinks)
// {
// if(!result.Contains(link)&&!linksToParse.Contains(link))
// linksToParse.Enqueue(link);
// }
// }
//
// return result
// .Distinct()
// .ToList();
//}
public virtual List <Uri> Crawl(Uri websiteUri, PageDownloader pageDownloader, PageParser pageParser)
{
List <Uri> result = new List <Uri>();
List <Uri> linksToParse = new List <Uri>();
linksToParse.Add(websiteUri);
while (linksToParse.Count != 0)
{
result.Add(linksToParse[0]);
string htmlPage = pageDownloader.GetPage(linksToParse[0]);
var parsedLinks = pageParser.GetLinks(htmlPage, websiteUri);
foreach (var link in parsedLinks)
{
if (!result.Contains(link) && !linksToParse.Contains(link))
{
linksToParse.Add(link);
}
}
linksToParse.RemoveAt(0);
}
return(result
.Distinct()
.ToList());
}
virtual public Uri GetSitemapUri(Uri baseUri, PageDownloader downloader)
{
Uri sitemapUri;
try
{
Uri robotsTxtUri = new Uri(baseUri, "/robots.txt");
string fileContent = "";
fileContent = downloader.GetPage(robotsTxtUri);
var sitemapString = fileContent.Split('\n')
.Select(x => x.Trim())
.Where(x => x.StartsWith("Sitemap:"))
.FirstOrDefault();
if (!String.IsNullOrEmpty(sitemapString))
{
sitemapString = sitemapString
.Replace("Sitemap:", "")
.Trim();
sitemapUri = new Uri(sitemapString);
}
else
{
sitemapUri = new Uri(baseUri, "/sitemap.xml");
}
return(sitemapUri);
}
catch
{
return(sitemapUri = new Uri(baseUri, "/sitemap.xml")); //default sitemap url
}
}
virtual public List <Uri> Crawl(Uri websiteUri, SitemapLinkReceiver linkReceiver, PageDownloader pageDownloader, SitemapParser sitemapParser)
{
Uri sitemapUri = linkReceiver.GetSitemapUri(websiteUri, pageDownloader);
string sitemap = pageDownloader.GetPage(sitemapUri);
List <Uri> crawledLinks = sitemapParser.GetLinks(sitemap, websiteUri);
return(crawledLinks);
}
