siwecos / ws-domainvalidator Goto Github PK
View Code? Open in Web Editor NEWDomainValidator & Crawler for the SIWECOS Project
License: Other
DomainValidator & Crawler for the SIWECOS Project
License: Other
Um die Crawler-Funktionalität direkt zu integrieren wäre eine Option allowSubdomains wünschenswert.
Sofern allowSubdomains: false gesetzt wird, sollen nur crawledUrls der angegebenen domain zurückgeliefert werden. false kann hierbei auch gerne der Standard-Wert sein.
Externe URLs sollten generell nicht zurückgeliefert werden.
Wird allowSubdomains: false
gesetzt, so liefert der Crawler keine crawledUrls
mehr aus.
Ziel der Option soll es ja sein, bspw. bei Übergabe der Domain siwecos.de
lediglich Ergebnisse für siwecos.de
und nicht für bspw. blog.siwecos.de
oder www.siwecos.de
zu liefern.
Momentan wird jedoch kein Crawling mehr ausgeführt.
Momentan gibt es anscheinend kein Timeout für die Callback Routine:
Ist ein Port bzw. die Adresse nicht erreichbar, so bleibt der Thread blockiert.
Momentan können keine Domains mit Sonderzeichen genutzt werden
Wir haben eine Domain, welche die TLD .space
nutzt.
Diese wird nicht aufgelöst und als syntaktisch inkorrekt markiert:
{
"name":"Validator",
"hasError":false,
"domain":null,
"originalUrl":"http://example.space",
"urlToScan":null,
"urlIsSyntacticalOk":false,
"dnsResolves":null,
"httpCouldConnect":null,
"httpStatusCode":null,
"httpRedirect":null,
"mailServerDomainList":null,
"crawledUrls":null
}
Die Option callbackurls wird benötigt, um den Validator / Crawler in regelmäßigen Abständen erneut anstoßen zu können um bspw. die Liste der MX-Domains aber auch der crawledUrls zu aktualisieren.
Entsprechend soll dann eine Queue abgearbeitet werden und das Ergebnis an die definierten URLs gesendet werden.
Momentan werden alle Debug-Logs mit ausgegeben.
Bitte Log-Level auf mind. Info anheben, ggf. mehr - soweit sinnvoll.
Beim Starten des Validators/Crawlers mit einer nicht (mehr) existierenden Domain bekomme ich folgende Antwort:
{
"name":"Validator",
"hasError":false,
"domain":"not-existingfakjsdfjka.com",
"originalUrl":"http://not-existingfakjsdfjka.com",
"urlToScan":"http://not-existingfakjsdfjka.com",
"urlIsSyntacticalOk":true,
"dnsResolves":false,
"httpRedirect":null,
"mailServerDomainList":[
],
"crawledUrls":[
]
}
Ich erhalte die Felder httpRedirect: null
und dnsResolves: false
, jedoch auch hasError: false
.
Fragen
hasError
nicht true
sein?originalUrl
: Was besagt dieser Wert? Es scheint, als wäre an die Domain einfach das http://
-Schema angehängt?Es sollen auf der Haupt-URL der übermittelten Domain weitere URLs gefunden werden.
Daher die Umbennung der Ergebnis-Liste von crawledDomains zu crawledUrls.
Eine optionale Begrenzung der Anzahl der zurückgelieferten gecrawlten URLs wird benötigt.
Wird bspw. maxAmountUrlsToCrawl: 10
gesendet, sollen maximal 10 URLs zurückgeliefert werden.
Hierbei werden nicht die 10 ersten URLs gewünscht, sondern die 10 "priorisiertesten".
Siehe hierzu auch weitere Kommunikation.
Wird kein valider callbackurls
-Parameter beim Request mitgegeben, so wird der Validator den Request mit HTTP 200 und Success
annehmen, ihn abarbeiten und dann ene java.lang.NullPointerException
werfen, da das Feld fehlt.
Entweder ohne callbackurls
-Parameter direkt die Ergebnisse zurückliefern wie in der früheren Version oder entsprechende Fehlermeldung beim Start senden.
Bei einer Domain tritt folgendes Verhalten auf:
Success
zurückgeliefertBetroffene Domain siehe Slack
Bei einer getesten Domain tritt folgendes Verhalten auf:
Success
geliefertBetroffene Domain siehe Slack.
Bei einigen Domains, wird der Parameter domain
nicht übermittelt, dieser wird aber zwingend benötigt.
Der Parameter domain
soll genau der sein, der auch beim Start-Request übermittelt wird.
Bitte dementsprechend ändern.
urlToScan
wird nicht benötigt, wenn die URL nicht per HTTP erreichbar ist.
(momentan wird ein urlToScan
konstruiert, der domain
-Parameter aber mit null
zurückgegeben)
Beispiel-Domain Liste siehe Slack: Liste 1
Es wäre praktisch, wenn der Scanner die crawledUrls
so zurückgibt, dass die Pfade am unterschiedlichsten sind.
Sprich:
Anstatt /cms
und /cms/wordpress
und /cms/contao
darauf konzentrieren, dass die Liste nach Unterschiedlichkeit geordnet wird.
Hintergrund:
Aktuell werden wir wahrscheinlich 10 weitere URLs crawlen.
Es macht mehr Sinn dann /blog
und /shop
zu erhalten, anstatt viele ähnliche Unterseiten.
A declarative, efficient, and flexible JavaScript library for building user interfaces.
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
An Open Source Machine Learning Framework for Everyone
The Web framework for perfectionists with deadlines.
A PHP framework for web artisans
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
Some thing interesting about web. New door for the world.
A server is a program made to process requests and deliver data to clients.
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
Some thing interesting about visualization, use data art
Some thing interesting about game, make everyone happy.
We are working to build community through open source technology. NB: members must have two-factor auth.
Open source projects and samples from Microsoft.
Google ❤️ Open Source for everyone.
Alibaba Open Source for everyone
Data-Driven Documents codes.
China tencent open source team.