Extracts links
This commit is contained in:
parent
220045b92b
commit
7318501edb
|
|
@ -1,69 +1,97 @@
|
|||
import os
|
||||
import threading
|
||||
import queue
|
||||
import time
|
||||
from WebFileReader import WebFileReader
|
||||
|
||||
print("Directorio actual:", os.getcwd())
|
||||
# Ruta base de los archivos HTML
|
||||
base_path = "EjerciciosConHilos/Ejercicio04_WebScrapper/resources/input_html"
|
||||
output_dir = "EjerciciosConHilos/Ejercicio04_WebScrapper/resources/output"
|
||||
output_file = os.path.join(output_dir, "extracted_links.txt")
|
||||
|
||||
# Inicializa colas para la comunciación entre hilos
|
||||
data_queue = queue.Queue()
|
||||
# Asegurarse de que la carpeta de salida existe
|
||||
os.makedirs(output_dir, exist_ok=True)
|
||||
|
||||
# Cola de enlaces pendientes de procesar y conjunto de enlaces ya procesados
|
||||
link_queue = queue.Queue()
|
||||
processed_links = set()
|
||||
lock = threading.Lock() # Para sincronizar el acceso a `processed_links`
|
||||
|
||||
# Instancia de WebFileReader
|
||||
reader = WebFileReader()
|
||||
# Instancia de WebFileReader para leer HTML y extraer enlaces
|
||||
reader = WebFileReader(base_path=base_path)
|
||||
|
||||
# Hilo A: Lee el archivos HTML y los coloca en data_queue
|
||||
def hilo_a():
|
||||
filenames = ["index.html", "1.html", "2.html"]
|
||||
for filename in filenames:
|
||||
print(f"[Hilo A] Leyendo archivo: {filename}")
|
||||
content = reader.read_file(filename)
|
||||
if content:
|
||||
data_queue.put((filename, content))
|
||||
time.sleep(1) #Simulacion del tiempo de espera
|
||||
# Método adicional en WebFileReader para guardar los enlaces
|
||||
def guardar_enlaces(enlaces):
|
||||
"""
|
||||
Guarda los enlaces extraídos en un archivo.
|
||||
"""
|
||||
with open(output_file, 'a', encoding='utf-8') as file:
|
||||
for enlace in enlaces:
|
||||
file.write(enlace + "\n")
|
||||
print(f"[WebFileReader] Enlaces guardados en {output_file}")
|
||||
|
||||
# Hilo B: Extrae los enlaces del contenido HTML y los coloca en link_queue
|
||||
def hilo_b():
|
||||
# Función que explora enlaces y descubre nuevos
|
||||
def procesar_enlace():
|
||||
while True:
|
||||
if not data_queue.empty():
|
||||
filename, html_content = data_queue.get()
|
||||
print(f"[Hilo B] Extrayendo enlaces de: {filename}")
|
||||
links = reader.extract_links(html_content)
|
||||
for link in links:
|
||||
link_queue.put(link)
|
||||
|
||||
# Hilo C: Guarda el contenido de los archivos en archivos de texto en la carpeta resources
|
||||
def hilo_c():
|
||||
while True:
|
||||
if not data_queue.empty():
|
||||
filename, html_content = data_queue.get()
|
||||
save_path = f"EjerciciosConHilos/Ejercicio04_WebScrapper/resources/output/{filename.replace('.html', '')}_content.txt"
|
||||
with open(save_path, 'w', encoding='utf-8') as file:
|
||||
file.write(html_content)
|
||||
print(f"[Hilo C] Guardando contenido de {filename} en {save_path}")
|
||||
|
||||
# Hilo D: Guarda los enlaces extraídos en un archivo de texto para análisis
|
||||
def hilo_d():
|
||||
while True:
|
||||
if not link_queue.empty():
|
||||
# Obtener un enlace de la cola
|
||||
link = link_queue.get()
|
||||
with open("EjerciciosConHilos/Ejercicio04_WebScrapper/resources/output/extracted_links.txt", 'a', encoding='utf-8') as file:
|
||||
file.write(link + "\n")
|
||||
print(f"[Hilo D] Enlace guardado: {link}")
|
||||
|
||||
thread_a = threading.Thread(target=hilo_a, daemon=True)
|
||||
thread_b = threading.Thread(target=hilo_b, daemon=True)
|
||||
thread_c = threading.Thread(target=hilo_c, daemon=True)
|
||||
thread_d = threading.Thread(target=hilo_d, daemon=True)
|
||||
# Si obtenemos None, significa que el procesamiento ha terminado
|
||||
if link is None:
|
||||
break
|
||||
|
||||
thread_a.start()
|
||||
thread_b.start()
|
||||
thread_c.start()
|
||||
thread_d.start()
|
||||
# Marcar el enlace como procesado si no lo ha sido ya
|
||||
with lock:
|
||||
if link in processed_links:
|
||||
link_queue.task_done()
|
||||
continue
|
||||
processed_links.add(link)
|
||||
|
||||
try:
|
||||
while True:
|
||||
time.sleep(1)
|
||||
except KeyboardInterrupt:
|
||||
print("Programa terminado")
|
||||
print(f"[Hilo] Procesando enlace: {link}")
|
||||
|
||||
# Combinar `base_path` con el nombre del archivo para obtener la ruta completa
|
||||
full_path = os.path.join(base_path, link)
|
||||
|
||||
# Leer el contenido del archivo HTML
|
||||
content = reader.read_file(link)
|
||||
if content:
|
||||
# Extraer los enlaces internos de este archivo
|
||||
new_links = reader.extract_links(content)
|
||||
|
||||
# Guardar los enlaces extraídos
|
||||
guardar_enlaces(new_links)
|
||||
|
||||
# Colocar nuevos enlaces en la cola si aún no han sido procesados
|
||||
for new_link in new_links:
|
||||
# Normalizar solo el nombre del archivo y agregar a la cola
|
||||
normalized_link = os.path.normpath(new_link)
|
||||
|
||||
with lock:
|
||||
if normalized_link not in processed_links:
|
||||
link_queue.put(normalized_link)
|
||||
|
||||
# Marcar este enlace como procesado en la cola
|
||||
link_queue.task_done()
|
||||
|
||||
# Enlace inicial para comenzar el procesamiento (solo nombre de archivo)
|
||||
initial_link = "index.html"
|
||||
link_queue.put(initial_link)
|
||||
|
||||
# Crear y lanzar los hilos para procesar los enlaces
|
||||
num_threads = 4 # Ajusta el número de hilos según el sistema
|
||||
threads = []
|
||||
for _ in range(num_threads):
|
||||
thread = threading.Thread(target=procesar_enlace)
|
||||
thread.start()
|
||||
threads.append(thread)
|
||||
|
||||
# Esperar a que todos los enlaces en la cola se procesen
|
||||
link_queue.join()
|
||||
|
||||
# Detener los hilos después de terminar el procesamiento
|
||||
for _ in threads:
|
||||
link_queue.put(None) # Insertar `None` para detener cada hilo
|
||||
|
||||
for thread in threads:
|
||||
thread.join()
|
||||
|
||||
print("Todos los enlaces han sido procesados.")
|
||||
|
|
|
|||
|
|
@ -0,0 +1,69 @@
|
|||
import os
|
||||
import threading
|
||||
import queue
|
||||
import time
|
||||
from WebFileReader import WebFileReader
|
||||
|
||||
print("Directorio actual:", os.getcwd())
|
||||
|
||||
# Inicializa colas para la comunciación entre hilos
|
||||
data_queue = queue.Queue()
|
||||
link_queue = queue.Queue()
|
||||
|
||||
# Instancia de WebFileReader
|
||||
reader = WebFileReader()
|
||||
|
||||
# Hilo A: Lee el archivos HTML y los coloca en data_queue
|
||||
def hilo_a():
|
||||
filenames = ["index.html", "1.html", "2.html"]
|
||||
for filename in filenames:
|
||||
print(f"[Hilo A] Leyendo archivo: {filename}")
|
||||
content = reader.read_file(filename)
|
||||
if content:
|
||||
data_queue.put((filename, content))
|
||||
time.sleep(1) #Simulacion del tiempo de espera
|
||||
|
||||
# Hilo B: Extrae los enlaces del contenido HTML y los coloca en link_queue
|
||||
def hilo_b():
|
||||
while True:
|
||||
if not data_queue.empty():
|
||||
filename, html_content = data_queue.get()
|
||||
print(f"[Hilo B] Extrayendo enlaces de: {filename}")
|
||||
links = reader.extract_links(html_content)
|
||||
for link in links:
|
||||
link_queue.put(link)
|
||||
|
||||
# Hilo C: Guarda el contenido de los archivos en archivos de texto en la carpeta resources
|
||||
def hilo_c():
|
||||
while True:
|
||||
if not data_queue.empty():
|
||||
filename, html_content = data_queue.get()
|
||||
save_path = f"EjerciciosConHilos/Ejercicio04_WebScrapper/resources/output/{filename.replace('.html', '')}_content.txt"
|
||||
with open(save_path, 'w', encoding='utf-8') as file:
|
||||
file.write(html_content)
|
||||
print(f"[Hilo C] Guardando contenido de {filename} en {save_path}")
|
||||
|
||||
# Hilo D: Guarda los enlaces extraídos en un archivo de texto para análisis
|
||||
def hilo_d():
|
||||
while True:
|
||||
if not link_queue.empty():
|
||||
link = link_queue.get()
|
||||
with open("EjerciciosConHilos/Ejercicio04_WebScrapper/resources/output/extracted_links.txt", 'a', encoding='utf-8') as file:
|
||||
file.write(link + "\n")
|
||||
print(f"[Hilo D] Enlace guardado: {link}")
|
||||
|
||||
thread_a = threading.Thread(target=hilo_a, daemon=True)
|
||||
thread_b = threading.Thread(target=hilo_b, daemon=True)
|
||||
thread_c = threading.Thread(target=hilo_c, daemon=True)
|
||||
thread_d = threading.Thread(target=hilo_d, daemon=True)
|
||||
|
||||
thread_a.start()
|
||||
thread_b.start()
|
||||
thread_c.start()
|
||||
thread_d.start()
|
||||
|
||||
try:
|
||||
while True:
|
||||
time.sleep(1)
|
||||
except KeyboardInterrupt:
|
||||
print("Programa terminado")
|
||||
|
|
@ -27,5 +27,3 @@ class WebFileReader:
|
|||
soup = BeautifulSoup(html_content, 'html.parser')
|
||||
links = [a['href'] for a in soup.find_all('a', href=True)]
|
||||
return links
|
||||
|
||||
|
||||
|
|
|
|||
Binary file not shown.
|
|
@ -3,9 +3,9 @@
|
|||
<meta charset="UTF-8">
|
||||
<title>Página 1</title>
|
||||
</head>
|
||||
<BODY>
|
||||
<body>
|
||||
<a href="2.html">Ir a página 2</a>
|
||||
<br>
|
||||
<a href="index.html">Volver</a>
|
||||
</BODY>
|
||||
</body>
|
||||
</html>
|
||||
|
|
@ -3,9 +3,11 @@
|
|||
<meta charset="UTF-8">
|
||||
<title>Página 2</title>
|
||||
</head>
|
||||
<BODY>
|
||||
<body>
|
||||
<a href="1.html">Ir a página 1</a>
|
||||
<br>
|
||||
<a href="index.html">Volver</a>
|
||||
</BODY>
|
||||
|
||||
<a href="prueba"></a>
|
||||
</body>
|
||||
</html>
|
||||
|
|
@ -3,7 +3,7 @@
|
|||
<meta charset="UTF-8">
|
||||
<title>Inicio</title>
|
||||
</head>
|
||||
<BODY>
|
||||
<body>
|
||||
<a href="1.html">Ir a página 1</a>
|
||||
</BODY>
|
||||
</body>
|
||||
</html>
|
||||
|
|
@ -1,11 +0,0 @@
|
|||
<html lang="es">
|
||||
<head>
|
||||
<meta charset="UTF-8">
|
||||
<title>Página 1</title>
|
||||
</head>
|
||||
<BODY>
|
||||
<a href="2.html">Ir a página 2</a>
|
||||
<br>
|
||||
<a href="index.html">Volver</a>
|
||||
</BODY>
|
||||
</html>
|
||||
|
|
@ -1,7 +1,16 @@
|
|||
1.html
|
||||
2.html
|
||||
index.html
|
||||
1.html
|
||||
index.html
|
||||
1.html
|
||||
2.html
|
||||
index.html
|
||||
1.html
|
||||
index.html
|
||||
1.html
|
||||
2.html
|
||||
index.html
|
||||
1.html
|
||||
index.html
|
||||
prueba
|
||||
|
|
|
|||
|
|
@ -1,9 +0,0 @@
|
|||
<html lang="es">
|
||||
<head>
|
||||
<meta charset="UTF-8">
|
||||
<title>Inicio</title>
|
||||
</head>
|
||||
<BODY>
|
||||
<a href="1.html">Ir a página 1</a>
|
||||
</BODY>
|
||||
</html>
|
||||
Loading…
Reference in New Issue