BI-PA2 Semestral - Wget Downloader

ZADÁNÍ Z PROGTESTU

Jednoduchý downloader

Napište program podobný nástroji wget --mirror, který na příkazové řádce z URL (HTTP) vytvoří lokální kopii. Musí podporovat:

• převedení všech URL tak, aby odkazovaly na správné soubory na disku
• prochází stránky rekurzivně (bez opakovaného stahování)
• umožňuje omezit hloubku rekurzivního procházení (hodnotou, omezením na podporované URL)

Downloader navíc umožňuje upravovat ukládané html a to následujícími způsoby:

• Odkazy na obrázky mohou vést na původní url, nebo na obrázek uložený na disku
• Odkazy na stránku, která má větší hloubku, mohou vést buď na původní URL, nebo na stránku na disku, která uživateli oznámí, že stránka neexistuje

Volitelně: Vícevláknové stahování, podpora HTTPS

Kde lze využít polymorfismus? (doporučené)

• Zpracování souborů: HTML stránka (potřebuje určité úpravy), obrázek (prostě se stáhne), CSS (úpravy nepotřebuje, ale mohou tam být obrázky), ...
• Úprava HTML tagů: upravení tagů s obrázky, opravení odkazů, ...
• Styl procházení: BFS, DFS, HTML pages first (přednost HTML stránky před obrázky), ...

ROZŠÍŘENÍ ZADÁNÍ (Checkpoint)

Bude se jednat o command line utilitu, která bude implementovat základní chování nástroje wget. Jako parametr bude přijímat adresu HTTP stránky, kterou chceme naklonovat. Dalšími parametry lze nástroj více konfigurovat, například:

• hloubka stahování
• zpracování obrázků (nechat původní URL / přepsat na lokální URL)
• zpracování hlubších souborů (nechat původní URL / přepsat na URL lokálního error souboru)
• přidání hlavičkových parametrů (např. pokud bychom chtěli vložit cookie sauth-tokenem)
• cesta výstupního adresáře
• úroveň logování (verbose, info, error aj.), případně cesta k log souboru
• načtení konfigurace ze souboru

Třída HttpDownloader

• bude využita pro samotné připojení k serveru a stažení požadovaného souboru pomocí Http GET
• metoda setHeader() umožní upravit header GET požadavku (nastavit cookies či další parametry)
• metoda get() stáhne soubor a uloží na disk

Třída Config

• ukládá uživatelem specifikovaná nastavení
• poskytuje rozhraní pro další části programu, aby mohly získat nastavené hodnoty
• po spuštení programu zparsuje CLI parametry, případně načte configurační soubor (CLI parametry přepisují hodnoty ze souboru)

Třída Logger

• uchovává nastavení o úrovni logování (nejspíše enum)
• poskytuje rozhraní pro různé úrovně logování
• ukládá logy buďto na STDOUT/STDERR či do samostatných souborů

Využití polymorfismu

Polymorfismus bude využit na různé druhy stahovaných souborů. Každý zdrojový kód má jinou syntaxi a je potřeba ho jinak zpracovat (např. na převedení odkazů na lokální URL).

Base třída File

• Uchovává svou URL (příp. cestu na disku) a aktuální hloubku
• virtual metoda download()
• vhodná na ostatní nespecifikované soubory (obrázky, textové dokumenty, binární soubory ...), které nepotřebují dále zpracovávat

Potomek FileHtml

• Přepisuje download()
  • Volá svoje zpracování staženého HTML souboru
  • Přepíše URL odkazy ve staženém souboru a rekurzivně zavolá stahování dalších URL
• Má další svoje metody, např. na parse()

Potomek FileCss

• Přepisuje download()
  • Volá svoje zpracování staženého CSS souboru
  • Provede úpravy (pokud jsou nutné) a rekurzivně zavolá stahování dalších URL
• Má další svoje metody, např. na parse()

AKTUÁLNÍ IMPLEMENTACE

HttpDownloader

• Změněn na HttpsDownloader s podporou SSL připojení a verifikací certifikátů
• S neblokujícími sockety
• Ukládání souboru na disk řeší nově CFile
• Metoda setHeader() nevyužita, nastavení se bere rovnou z Config třídy

Config

• Obsahuje další parametry navíc
• Chybí načítání ze souboru

CFile

• Polymorfismus využit dle checkpointu