complete task INDX-0002. parse one site from list

pom.xml

@@ -50,6 +50,11 @@
             <artifactId>spring-dotenv</artifactId>
             <version>4.0.0</version>
         </dependency>
+        <dependency>
+            <groupId>org.jsoup</groupId>
+            <artifactId>jsoup</artifactId>
+            <version>1.18.3</version>
+        </dependency>
     </dependencies>
 
     <build>

src/main/java/searchengine/controllers/ApiController.java

@@ -4,8 +4,8 @@ import org.springframework.http.ResponseEntity;
 import org.springframework.web.bind.annotation.GetMapping;
 import org.springframework.web.bind.annotation.RequestMapping;
 import org.springframework.web.bind.annotation.RestController;
-import searchengine.config.SitesList;
 import searchengine.dto.statistics.StatisticsResponse;
+import searchengine.services.IndexingService;
 import searchengine.services.StatisticsService;
 
 @RestController
@@ -13,9 +13,11 @@ import searchengine.services.StatisticsService;
 public class ApiController {
 
     private final StatisticsService statisticsService;
+    private final IndexingService indexingService;
 
-    public ApiController(StatisticsService statisticsService) {
+    public ApiController(StatisticsService statisticsService, IndexingService indexingService) {
         this.statisticsService = statisticsService;
+        this.indexingService = indexingService;
     }
 
     @GetMapping("/statistics")
@@ -25,7 +27,7 @@ public class ApiController {
 
     @GetMapping("/startIndexing")
     public ResponseEntity<StatisticsResponse> startIndexing() {
-        System.out.println(new SitesList().getSites());
+        indexingService.startIndexing();
         return ResponseEntity.ok(statisticsService.getStatistics());
     }
 }

src/main/java/searchengine/model/Link.java

@@ -0,0 +1,42 @@
+package searchengine.model;
+
+import java.net.URI;
+import java.util.HashSet;
+import java.util.Objects;
+import java.util.Set;
+
+public record Link(URI uri, int depth, Set<Link> children, Link parent) {
+    public Link {
+        children = new HashSet<>();
+    }
+
+    public Link(URI uri, Link parent) {
+        this(uri, (parent == null) ? 0 : parent.depth() + 1, new HashSet<>(), parent);
+    }
+
+    public void addChild(URI childUri) {
+        children.add(new Link(childUri, this));
+    }
+
+    // Переопределяем equals и hashCode, исключая поля children и parent
+    @Override
+    public boolean equals(Object o) {
+        if (this == o) return true;
+        if (o == null || getClass() != o.getClass()) return false;
+        Link link = (Link) o;
+        return depth == link.depth && Objects.equals(uri, link.uri);
+    }
+
+    @Override
+    public int hashCode() {
+        return Objects.hash(uri, depth); // Исключаем children и parent
+    }
+
+    @Override
+    public String toString() { // А он нужен?
+        return "Link{" +
+                "uri=" + uri +
+                ", depth=" + depth +
+                '}'; // Исключаем children и parent
+    }
+}

src/main/java/searchengine/model/PageEntity.java

@@ -18,8 +18,7 @@ public class PageEntity {
     @JoinColumn(name = "site_id", nullable = false)
     private SiteEntity site;
 
-    @Column(columnDefinition = "TEXT NOT NULL, UNIQUE KEY INDEX_PATH (path(255))") // Unique index version
+    @Column(columnDefinition = "VARCHAR(255) NOT NULL", unique = true)
-//    @Column(columnDefinition = "TEXT NOT NULL, INDEX PATH_INDEX USING BTREE(path(255))") // Non-unique index version
     private String path;
 
     @Column(nullable = false)

src/main/java/searchengine/services/IndexingService.java

@@ -1,4 +1,5 @@
 package searchengine.services;
 
 public interface IndexingService {
+    void startIndexing();
 }

src/main/java/searchengine/services/IndexingServiceImpl.java

@@ -1,16 +1,163 @@
 package searchengine.services;
 
-public class IndexingServiceImpl implements IndexingService {
+import lombok.RequiredArgsConstructor;
-    boolean indexingIsRunning = false;
+import org.jsoup.Jsoup;
+import org.jsoup.nodes.Document;
+import org.springframework.stereotype.Service;
+import searchengine.config.SitesList;
+import searchengine.model.Link;
 
+import java.net.URI;
+import java.net.URISyntaxException;
+import java.net.URLEncoder;
+import java.nio.charset.StandardCharsets;
+import java.util.Set;
+import java.util.concurrent.ConcurrentHashMap;
+import java.util.regex.Pattern;
+
+@Service
+@RequiredArgsConstructor
+public class IndexingServiceImpl implements IndexingService {
+    private boolean indexingIsRunning = false;
+    private final SitesList sitesList;
+
+    @Override
     public void startIndexing() {
         if (indexingIsRunning) {
             System.out.println("Индексация уже запущена");
             return;
         }
-        // Логика для запуска индексации или перенидексации сайтов
-        System.out.println("Запуск индексации");
         indexingIsRunning = true;
-        System.out.println("Индексация запущена");
+
+        // Выводим список сайтов для индексации
+        System.out.println("Список сайтов для индексации:");
+        sitesList.getSites().forEach(site ->
+                System.out.println("URL: " + site.getUrl() + ", Название: " + site.getName())
+        );
+
+        // Начинаем парсинг первого сайта
+        String startUrl = sitesList.getSites().get(0).getUrl();
+        String siteName = sitesList.getSites().get(0).getName();
+
+        System.out.println("Начинаем парсинг сайта " + siteName + " (" + startUrl + ")");
+
+        Set<URI> visitedLinks = ConcurrentHashMap.newKeySet(); // Набор для отслеживания посещенных URL
+
+        try {
+            URI startUri = new URI(startUrl);
+            System.out.printf("\n=== Начало индексации %s (%s) ===\n", siteName, startUri);
+            Link rootLink = new Link(startUri, null); // Создаем корневой Link
+            parse(rootLink, visitedLinks); // Запуск парсинга
+        } catch (URISyntaxException e) {
+            System.out.println("Некорректный URL: " + startUrl);
+        } catch (InterruptedException e) {
+            System.out.println("Индексация была прервана: " + e.getMessage());
+            Thread.currentThread().interrupt();
+        } finally {
+            indexingIsRunning = false;
+            System.out.println("\n=== Индексация завершена ===");
+            System.out.println("Всего страниц проиндексировано: " + visitedLinks.size());
+        }
+    }
+
+    private void parse(Link link, Set<URI> visitedLinks) throws InterruptedException {
+        // Добавляем текущий URL в visitedLinks до начала обработки
+        if (!visitedLinks.add(link.uri())) {
+            return; // Если URL уже был обработан, выходим
+        }
+
+        // Задержка для защиты от блокировки
+        Thread.sleep((long) (50 + (Math.random() * 150)));
+        System.out.println("Парсим страницу: " + link.uri());
+
+        // Добавляем дочерние ссылки
+        addChildLinks(link, visitedLinks);
+
+        // Рекурсивно обрабатываем дочерние ссылки
+        link.children().forEach(child -> {
+            try {
+                parse(child, visitedLinks);
+            } catch (InterruptedException e) {
+                Thread.currentThread().interrupt();
+                throw new RuntimeException("Парсинг был прерван: " + e.getMessage());
+            }
+        });
+    }
+
+    private void addChildLinks(Link link, Set<URI> visitedLinks) {
+        try {
+            Document document = Jsoup.connect(link.uri().toString())
+                    .userAgent("Mozilla/5.0")
+                    .referrer("https://www.google.com")
+                    .get();
+
+            document.select("a[href]").forEach(element -> {
+                String hrefStr = element.attr("href").strip();
+                try {
+                    // Кодируем URL перед созданием объекта URI
+                    String encodedHrefStr = URLEncoder.encode(hrefStr, StandardCharsets.UTF_8)
+                            .replaceAll("%3A", ":")
+                            .replaceAll("%2F", "/");
+                    URI href = URI.create(encodedHrefStr);
+
+                    if (!href.isAbsolute()) {
+                        href = link.uri().resolve(href);
+                    }
+                    href = normalizeUri(href);
+
+                    // Проверяем, что ссылка корректна
+                    if (isCorrectUrl(link.uri(), href, visitedLinks)) {
+                        link.addChild(href); // Используем метод addChild из класса Link
+                    }
+                } catch (Exception e) {
+                    // Игнорируем некорректные URL без вывода сообщений
+                }
+            });
+        } catch (Exception e) {
+            // Игнорируем ошибки без вывода сообщений
+        }
+    }
+
+    private URI normalizeUri(URI href) {
+        try {
+            String path = href.getPath(); // Получаем путь
+            if (path == null) {
+                path = ""; // Если путь равен null, заменяем на пустую строку
+            } else {
+                path = path.replaceAll("/+$", ""); // Убираем завершающие слэши
+            }
+            return new URI(
+                    href.getScheme(),
+                    href.getAuthority(),
+                    path, // Используем обработанный путь
+                    null,
+                    href.getFragment()
+            );
+        } catch (URISyntaxException e) {
+            return href; // В случае ошибки возвращаем исходный URI
+        }
+    }
+
+    private boolean isCorrectUrl(URI baseUri, URI href, Set<URI> visitedLinks) {
+        // Проверка на некорректные протоколы
+        String hrefStr = href.toString();
+        if (hrefStr.startsWith("javascript:") || hrefStr.startsWith("mailto:") || hrefStr.startsWith("tel:")) {
+            return false;
+        }
+
+        // Проверка на принадлежность тому же домену
+        if (href.getHost() == null || !href.getHost().equals(baseUri.getHost())) {
+            return false;
+        }
+
+        // Проверка на файлы и якоря
+        Pattern patternNotFile = Pattern.compile("(\\S+(\\.(?i)(jpg|png|gif|bmp|pdf|php|doc|docx|rar))$)");
+        Pattern patternNotAnchor = Pattern.compile("#([\\w\\-]+)?$");
+        if (href.isOpaque() || patternNotFile.matcher(hrefStr).find() || patternNotAnchor.matcher(hrefStr).find()) {
+            return false;
+        }
+
+        // Проверка на уже посещенные ссылки
+        return !visitedLinks.contains(href);
     }
 }

src/main/resources/application.yaml

@@ -16,9 +16,11 @@ spring:
 
 indexing-settings:
   sites:
-    - url: https://www.lenta.ru
+    - url: https://wiki.kuksa.dev
-      name: Лента.ру
+      name: Wiki Kuksa.Dev
+    - url: https://www.autelrobotics.com
+      name: Autel Robotics
     - url: https://www.skillbox.ru
       name: Skillbox
-    - url: https://www.playback.ru
+#    - url: https://www.playback.ru
-      name: PlayBack.Ru
+#      name: PlayBack.Ru