|
Delphi: Cómo hacer robot indexación páginas web Delphi AjpdSoft Capturador páginas web
Tutorial donde explicamos paso a paso cómo desarrollar una aplicación semejante a un robot de indexación de páginas web. Mostramos cómo realizar una aplicación en Delphi 6 y base de datos Paradox para acceder a páginas web (especificando la URL o la IP), obtener el contenido HTML y guardarlo en una base de datos. Es el fundamento de los motores de búsqueda como Google, Bing, Yahoo, etc..
Robot de indexación de contenidos webUn robot de indexación de contenidos web suele ser un conjunto de equipos informáticos, en el caso de buscadores como Google, Yahoo, Bing suelen ser miles e incluso cientos de miles, que están continuamente buscando páginas web mediante varios mecanismos (recorriendo IPs, recorriendo URL de otros sitios web ya indexados, a petición del usuario, etc. Obtienen el contenido de dichas páginas web y lo almacenan en una base de datos. De esta forma cuando el usuario introduce alguna palabra o palabras en un buscador, este accede a su base de datos y muestra los resultados por relevancia. El proceso de un robot es un poco más complejo de lo indicado anteriormente, si bien su tarea principal es la de capturar y almacenar información para futuras búsquedas. Existen muchos tipos de robot en función del tipo de buscador que los implemente. A continuación mostramos las características principales de los buscadores jerárquicos (arañas o spiders) que suelen ser los que usan los robots para retroalimentar sus bases de datos:
Cómo hacer un robot de indexación de contenidos web casero con Delphi y ParadoxA continuación mostramos los pasos para desarrollar una aplicación que accederá a las páginas web previamente indicadas (por URL o por rango de IP), obtendrá su contenido HTML y lo guardará en base de datos para su posterior explotación. Crear tabla en base de datos Paradox para almacenar las páginas web indexadas con Database DesktopEn primer lugar crearemos la tabla de la base de datos Paradox que contendrá la información capturada o indexada por la aplicación. Dicha tabla "capturas.DB" está disponible ya creada en la descarga gratuita de la aplicación completa con código fuente AjpdSoft Capturador de páginas web. Si queremos crearla manualmente, usaremos Borland Database Desktop, una aplicación "antigua" pero aún funcional que nos permitirá crear tablas Paradox. Podemos descargarla desde la URL: No necesita instalación, la descargaremos desde la URL anterior, descomprimiremos el fichero "bdd.zip" y ejecutaremos el fichero "DBD32.EXE", en equipos con Windows Vista, Windows 7 y Windows 8 puede mostrar un mensaje como el siguiente, pulsaremos en "Ejecutar programa":
Nos mostrará otro error que aceptaremos pulsando en "Aceptar":
Si nos aparece este otro error:
Es debido a que o bien no tenemos instalado el BDE (Borland Database Engine) o bien estamos ejecutando la aplicación Borland Database Desktop en una carpeta y subcarpeta demasiado larga, en este caso copiaremos la carpeta de Database Desktop a una carpeta del tipo:
Si no tenemos instalado el BDE (Borland Database Engine) podremos instalarlo siguiendo los pasos de este tutorial: Una vez abierto Database Desktop, pulsaremos en el menú "File" - "New" - "Table": Elegiremos "Paradox 7" en "Table type" y pulsaremos "OK": Añadiremos todos los campos para la tabla "capturas.DB" con su tipo de datos, como se muestra en las dos imágenes siguientes: Guardaremos pulsando en "Save As": Indicaremos la carpeta y nombre del fichero que contendrá la tabla para almacenar las web indexadas, en nuestro caso "capturas.DB": Nota: la tabla "capturas.DB" está disponible ya creada en la descarga gratuita de la aplicación completa con código fuente AjpdSoft Capturador de páginas web. Desarrollar aplicación Delphi para indexar páginas web y almacenar el HTML en base de datos ParadoxAbriremos Delphi 6, crearemos un nuevo proyecto de tipo Application, desde el menú "File" - "New" - "Application". Esta aplicación completa con código fuente está disponible gratuitamente en la descarga: En el primer formulario que se crea automáticamente añadiremos los siguientes componentes:
En la primera pestaña del PageControl, en "Capturar" añadiremos los siguientes componentes:
En la segunda pestaña del PageControl, "Configurar", añadiremos los siguientes componentes:
En la tercera solapa o pestaña del PageControl, "Datos capturados" añadiremos los siguientes componentes:
Enlazaremos los componentes de acceso a base de datos Paradox no visuales entre ellos, los Table con los DataSource mediante la propiedad DataSet del DataSource: En los Table, en la propiedad DatabaseName añadiremos la ubicación (ruta, carpeta) donde guardaremos el fichero "capturas.db" con la tabla creada anteriormente. En la propiedad TableName de los Table indicaremos el nombre del fichero "capturas.DB". De esta forma enlazaremos los componentes no visuales a la tabla Paradox: Pulsando sobre el Table con el botón derecho del ratón y seleccionando "Fields Editor" podremos añadir los campos de la tabla "capturas": Pulsaremos con el botón derecho sobre la ventana que se abre y seleccionaremos "Add all fields": Una vez añadidos los campos podremos editar sus propiedades y establecer el DisplayLabel (título) y el DisplayWidth (tamaño):
Por último enlazaremos los componentes visuales DBNavigator y DBGrid a los no visuales de acceso a datos mediante la propiedad DataSource del DBGrid y del DBNavigator: Pulsando con el botón derecho del ratón sobre el DBGrid y eligiendo "Add All Fields": De esta forma quedarán los campos añadidos al DBGrid y podremos elegir en qué posición aparecerán y lo que queramos ocultar o mostrar: Añadiremos una unidad donde introduciremos los procedimientos de captura de página web mediante TidHTTP y otros que necesitaremos para la aplicación, para ello pulsaremos en el menú "File" - "New" - "Unit": Introduciremos el nombre para la nueva unidad y la guardaremos. Añadiremos el código fuente que indicamos aquí: Añadiremos también un formulario para mostrar el código HTML indexado del registro seleccionado, para ello pulsaremos en "File" - "New" - "Form": Este formulario solo contendrá un Memo donde mostraremos el contenido HTML de una web indexada:
El código fuente de la unidad principal está disponible aquí. Y la descarga de la aplicación completa con el código fuente gratuito en Delphi 6:
AjpdSoft Capturador de páginas web en funcionamiento - Código fuente completo gratuito en Delphi 6A continuación mostramos el funcionamiento de AjpdSoft Capturador de páginas web, en primer lugar en la pestaña "Configurar" deberemos especificar el rango de IPs a indexar o bien las URL a indexar o ambos métodos a la vez: Una vez especificadas las URL/IP en la pestaña "Capturar" pulsaremos en "Iniciar captura", la aplicación AjpdSoft Capturador de páginas web navegará a cada URL/IP especificada y obtendrá el contenido HTML y lo guardará en una base de datos: En la pestaña "Datos capturados", pulsando "Abrir BD", podremos consultar los datos capturados/indexados por AjpdSoft Capturador de páginas web: Si quieremos ver el contenido HTML capturado de un registro concreto lo seleccionaremos y pulsaremos en "Visualizar HTML". Si queremos visualizar el HTML en un navegador web pulsaremos en "Visualizar": Como vemos AjpdSoft Capturador de páginas web es un sencillo ejemplo de cómo desarrollar una aplicación similar a un robot de indexación de páginas web como los usados por Google, Yahoo, Bing, etc. Esta aplicación servirá de ejemplo para desarrolladores. Está en fase Beta y está descontinuada, pero es útil para realizar pruebas y como base para realizar otras aplicaciones.
Anexounit UnidadProcedimientos; interface function ObtenerWeb(webIP : string) : string; function obtenerURLdeIP (ip : string) : string; function obtenerEtiqueta (contenidoWeb : string; etiquetaIni : string; etiquetaFin : string) : string; function obtenerIPdeURL (url : string) : string; var errorCaptura : string; numErrores : double; numAciertos : double; implementation uses IdHTTP, Classes, Sockets, SysUtils; //Obtener IP pública pc local function ObtenerWeb(webIP : string) : string; var obtenerHTTP : TidHTTP; web : TStringList; begin errorCaptura := ''; web := TStringList.Create; obtenerHTTP := TidHTTP.Create(nil); try web.Text := obtenerHTTP.Get('http://' + webIP); numAciertos := numAciertos + 1; except on e: exception do begin errorCaptura := e.Message; numErrores := numErrores + 1; obtenerHTTP.Free; end; end; ObtenerWeb := web.Text; end; function obtenerTagWeb (contenido : string) : string; begin // end; //obtiene la URL de una IP function obtenerURLdeIP (ip : string) : string; var ctURL : TTcpServer; begin ctURL := TTCPServer.Create (nil); obtenerURLdeIP := ctURL.LookupHostName (ip); end; //obtiene la IP de una URL function obtenerIPdeURL (url : string) : string; var ctURL : TTcpServer; begin ctURL := TTCPServer.Create (nil); obtenerIPdeURL := ctURL.LookupHostAddr (url); end; function obtenerEtiqueta (contenidoWeb : string; etiquetaIni : string; etiquetaFin : string) : string; var lineas : TStringList; i : integer; titulo, lineaActual : string; begin lineas := TStringList.Create; lineas.Text := contenidoWeb; titulo := ''; etiquetaIni := AnsiUpperCase(etiquetaIni); etiquetaFin := AnsiUpperCase(etiquetaFin); for i := 0 to lineas.Count - 1 do begin lineaActual := lineas.Strings[i]; //si encuentra las dos etiquetas en la misma línea if (Pos (etiquetaIni, AnsiUpperCase(lineaActual)) <> 0) and (Pos (etiquetaFin, AnsiUpperCase(lineaActual)) <> 0)then begin titulo := copy (lineaActual, Pos (etiquetaIni, AnsiUpperCase(lineaActual)) + length (etiquetaIni), Pos (etiquetaFin, AnsiUpperCase(lineaActual)) - length (etiquetaFin) - 1); Break; end; //si en la línea sólo aparece el inicio del título if (Pos (etiquetaIni, AnsiUpperCase(lineaActual)) <> 0) and (Pos (etiquetaFin, AnsiUpperCase(lineaActual)) = 0)then begin titulo := copy (lineaActual, Pos (etiquetaIni, AnsiUpperCase(lineaActual)), length(lineaActual)); end; //si en la línea sólo aparece el fin del título if (Pos (etiquetaIni, AnsiUpperCase(lineaActual)) = 0) and (Pos (etiquetaFin, lineaActual) <> 0)then begin titulo := titulo + copy (lineaActual, Pos (etiquetaFin, AnsiUpperCase(lineaActual)), length(lineaActual)); break; end; end; obtenerEtiqueta := titulo; end; end.
unit UnidadMenuPrincipal; interface uses Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms, Dialogs, StdCtrls, ComCtrls, ActnList, DB, DBTables, ExtCtrls, DBCtrls, IdBaseComponent, IdComponent, shellapi, Grids, DBGrids; type TformMenuPrincipal = class(TForm) PageControl1: TPageControl; TabSheet1: TTabSheet; TabSheet2: TTabSheet; TabSheet3: TTabSheet; be: TStatusBar; GroupBox1: TGroupBox; GroupBox2: TGroupBox; bIniciarCaptura: TButton; ActionList1: TActionList; actIniciarCaptura: TAction; tTabla: TTable; dBD: TDataSource; tTablaIP: TStringField; tTablaURL: TStringField; tTablaContenido: TMemoField; tTablaFechaInicial: TDateField; tTablaFechaUltimaCaptura: TDateField; tTablaNumeroCapturas: TFloatField; tTablaValoracion: TFloatField; tTablaTitle: TStringField; tTablaAUTHOR: TStringField; tTablaCOPYRIGHT: TStringField; tTablaKEYWORDS: TMemoField; tTablaGENERATOR: TStringField; tTablaROBOTS: TStringField; tTablaREVISIT: TStringField; Label6: TLabel; txtD1: TEdit; Label3: TLabel; txtD2: TEdit; Label5: TLabel; txtD3: TEdit; Label7: TLabel; txtD4: TEdit; txtH4: TEdit; Label11: TLabel; txtH3: TEdit; Label10: TLabel; txtH2: TEdit; Label9: TLabel; txtH1: TEdit; Label8: TLabel; txtWebEspecificas: TMemo; tTablaHoraUltimaCaptura: TTimeField; tTablaError: TStringField; tTablaInsertar: TTable; dBDInsertar: TDataSource; tTablaInsertarIP: TStringField; tTablaInsertarURL: TStringField; tTablaInsertarTitle: TStringField; tTablaInsertarAUTHOR: TStringField; tTablaInsertarCOPYRIGHT: TStringField; tTablaInsertarKEYWORDS: TMemoField; tTablaInsertarGENERATOR: TStringField; tTablaInsertarROBOTS: TStringField; tTablaInsertarREVISIT: TStringField; tTablaInsertarContenido: TMemoField; tTablaInsertarFechaInicial: TDateField; tTablaInsertarFechaUltimaCaptura: TDateField; tTablaInsertarHoraUltimaCaptura: TTimeField; tTablaInsertarNumeroCapturas: TFloatField; tTablaInsertarValoracion: TFloatField; tTablaInsertarError: TStringField; opCapturarEspecificas: TCheckBox; opCapturarIPs: TCheckBox; Button1: TButton; actCancelarCaptura: TAction; Panel1: TPanel; Panel2: TPanel; Panel3: TPanel; DBNavigator1: TDBNavigator; Button2: TButton; tConsulta: TQuery; bp: TProgressBar; actAbrirBD: TAction; tabla: TDBGrid; actVisualizar: TAction; actVisualizarHTML: TAction; Button3: TButton; Button4: TButton; GroupBox4: TGroupBox; opGuardarLog: TCheckBox; opCapturarBD: TCheckBox; txtLog: TMemo; LWEB: TLabel; procedure actIniciarCapturaExecute(Sender: TObject); procedure txtD1Change(Sender: TObject); procedure txtD1KeyPress(Sender: TObject; var Key: Char); procedure txtD2Change(Sender: TObject); procedure txtD2KeyPress(Sender: TObject; var Key: Char); procedure txtD3Change(Sender: TObject); procedure txtD3KeyPress(Sender: TObject; var Key: Char); procedure txtD4Change(Sender: TObject); procedure txtD4KeyPress(Sender: TObject; var Key: Char); procedure txtH4Exit(Sender: TObject); procedure txtH4KeyPress(Sender: TObject; var Key: Char); procedure insertarWeb (webCaptura : string; IPCaptura : string); procedure FormCreate(Sender: TObject); procedure FormClose(Sender: TObject; var Action: TCloseAction); procedure actCancelarCapturaExecute(Sender: TObject); procedure actAbrirBDExecute(Sender: TObject); procedure actVisualizarExecute(Sender: TObject); procedure actVisualizarHTMLExecute(Sender: TObject); procedure LWEBClick(Sender: TObject); private { Private declarations } cancelarProceso : boolean; public { Public declarations } end; var formMenuPrincipal: TformMenuPrincipal; implementation uses UnidadProcedimientos, UnidadVisualizador, UnidadVisualizacion; {$R *.dfm} procedure TformMenuPrincipal.insertarWeb (webCaptura : string; IPCaptura : string); var contenidoWeb : string; eqTitle, eqKeywords, eqCopyright : string; numero : double; begin contenidoWeb := ObtenerWeb(webCaptura); if contenidoWeb <> '' then begin if tTablaInsertar.Locate('IP', IPCaptura, []) then begin tTablaInsertar.edit; if not varisnull(tTablaInsertarNumeroCapturas.Value) then begin numero := tTablaInsertarNumeroCapturas.value; numero := numero + 1; tTablaInsertarNumeroCapturas.Value := numero; end else tTablaInsertarNumeroCapturas.Value := 1; end else begin tTablaInsertar.Insert; tTablaInsertarNumeroCapturas.Value := 1; tTablaInsertarIP.Value := IPCaptura; end; eqTitle := obtenerEtiqueta (contenidoWeb, ' Artículos relacionados
CréditosArtículo realizado íntegramente por Alonsojpd miembro fundador del Proyecto AjpdSoft. Anuncios
Enviado el Lunes, 07 julio a las 22:04:46 por ajpdsoft
|
|