A small web crawler named aranea (Latin for spider). https://www.bananas-playground.net/projekt/aranea/

1 Větve

Banana a8bdf7dc15 do not use finish/(		před 1 týdnem
documentation	9137d46a9b updated requirements	před 1 týdnem
lib	7271145682 license change and new config value	před 1 měsícem
storage	24fb355861 fetch.pl	před 2 roky
.gitignore	7271145682 license change and new config value	před 1 měsícem
CHANGELOG	7271145682 license change and new config value	před 1 měsícem
COPYING	7271145682 license change and new config value	před 1 měsícem
LICENSE	7271145682 license change and new config value	před 1 měsícem
README.md	a9e407d96a url fixed	před 1 týdnem
TODO	a8bdf7dc15 do not use finish/(	před 1 týdnem
VERSION	17aef3b5ab cleanup of the code and some paperwork	před 2 roky
cleanup.pl	a8bdf7dc15 do not use finish/(	před 1 týdnem
config.txt	7271145682 license change and new config value	před 1 měsícem
fetch.pl	a8bdf7dc15 do not use finish/(	před 1 týdnem
parse-results.pl	a8bdf7dc15 do not use finish/(	před 1 týdnem
setup.sql	cfdca6000e project cleanup and updated project website links	před 2 roky

aranea

A small web crawler named aranea (Latin for spider). The aim is to gather unique domains to show what is out there.

Fetch

It starts with a given set of URL(s) and parses them for more URLs. Stores them and fetches them too. -> fetch.pl

Each URL result (Stored result from the call) will be parsed for other URLs to follow. -> parse-results.pl

After a run cleanup will gather all the unique Domains into a table. Removes URLs from the fetch table which are already enough. -> cleanup.pl

The table url_to_ignore does have a small amount of domains and part of domains which will be ignored. Adding a global SPAM list would be overkill.

A good idea is to run it with a DNS filter, which has a good blocklist.