mirror of
https://github.com/ail-project/ail-framework.git
synced 2024-11-27 00:07:16 +00:00
fix: [Crawler] unpack_url
This commit is contained in:
parent
39d0bfa65a
commit
fc2c1422ff
1 changed files with 17 additions and 4 deletions
|
@ -47,12 +47,16 @@ def unpack_url(url):
|
||||||
|
|
||||||
if url_unpack['scheme'] is None:
|
if url_unpack['scheme'] is None:
|
||||||
to_crawl['scheme'] = 'http'
|
to_crawl['scheme'] = 'http'
|
||||||
|
url= 'http://{}'.format(url_unpack['url'].decode())
|
||||||
else:
|
else:
|
||||||
scheme = url_unpack['scheme'].decode()
|
scheme = url_unpack['scheme'].decode()
|
||||||
if scheme in default_proto_map:
|
if scheme in default_proto_map:
|
||||||
to_crawl['scheme'] = scheme
|
to_crawl['scheme'] = scheme
|
||||||
|
url = url_unpack['url'].decode()
|
||||||
else:
|
else:
|
||||||
|
redis_crawler.sadd('new_proto', '{} {}'.format(scheme, url_unpack['url'].decode()))
|
||||||
to_crawl['scheme'] = 'http'
|
to_crawl['scheme'] = 'http'
|
||||||
|
url= 'http://{}'.format(url_unpack['url'].decode().replace(scheme, '', 1))
|
||||||
|
|
||||||
if url_unpack['port'] is None:
|
if url_unpack['port'] is None:
|
||||||
to_crawl['port'] = default_proto_map[to_crawl['scheme']]
|
to_crawl['port'] = default_proto_map[to_crawl['scheme']]
|
||||||
|
@ -66,11 +70,20 @@ def unpack_url(url):
|
||||||
port = default_proto_map[to_crawl['scheme']]
|
port = default_proto_map[to_crawl['scheme']]
|
||||||
to_crawl['port'] = port
|
to_crawl['port'] = port
|
||||||
|
|
||||||
if url_unpack['query_string'] is None:
|
#if url_unpack['query_string'] is None:
|
||||||
to_crawl['url']= '{}://{}:{}'.format(to_crawl['scheme'], url_unpack['host'].decode(), to_crawl['port'])
|
# if to_crawl['port'] == 80:
|
||||||
|
# to_crawl['url']= '{}://{}'.format(to_crawl['scheme'], url_unpack['host'].decode())
|
||||||
|
# else:
|
||||||
|
# to_crawl['url']= '{}://{}:{}'.format(to_crawl['scheme'], url_unpack['host'].decode(), to_crawl['port'])
|
||||||
|
#else:
|
||||||
|
# to_crawl['url']= '{}://{}:{}{}'.format(to_crawl['scheme'], url_unpack['host'].decode(), to_crawl['port'], url_unpack['query_string'].decode())
|
||||||
|
|
||||||
|
to_crawl['url'] = url
|
||||||
|
if to_crawl['port'] == 80:
|
||||||
|
to_crawl['domain_url'] = '{}://{}'.format(to_crawl['scheme'], url_unpack['host'].decode())
|
||||||
else:
|
else:
|
||||||
to_crawl['url']= '{}://{}:{}{}'.format(to_crawl['scheme'], url_unpack['host'].decode(), to_crawl['port'], url_unpack['query_string'].decode())
|
to_crawl['domain_url'] = '{}://{}:{}'.format(to_crawl['scheme'], url_unpack['host'].decode(), to_crawl['port'])
|
||||||
to_crawl['domain_url'] = '{}://{}:{}'.format(to_crawl['scheme'], to_crawl['domain'], to_crawl['port'])
|
|
||||||
|
|
||||||
to_crawl['tld'] = url_unpack['tld'].decode()
|
to_crawl['tld'] = url_unpack['tld'].decode()
|
||||||
return to_crawl
|
return to_crawl
|
||||||
|
|
Loading…
Reference in a new issue