chore: import upstream snapshot with attribution
This commit is contained in:
+297
@@ -0,0 +1,297 @@
|
||||
#!/usr/bin/env node
|
||||
|
||||
import { spawnSync } from 'node:child_process'
|
||||
import path from 'node:path'
|
||||
import { fileURLToPath } from 'node:url'
|
||||
|
||||
const DEFAULT_MAX_PAGES = 8
|
||||
const DEFAULT_MAX_DEPTH = 2
|
||||
const DEFAULT_SAME_DOMAIN_LIMIT = 5
|
||||
const DEFAULT_MAX_SEARCH_QUERIES = 3
|
||||
const DEFAULT_FETCH_MAX_TEXT_CHARS = 6_000
|
||||
const DEFAULT_FETCH_MAX_LINKS = 150
|
||||
const STRONG_MATCH_SCORE = 8
|
||||
|
||||
function parseArgs(argv) {
|
||||
const args = {
|
||||
urls: [],
|
||||
query: '',
|
||||
maxPages: DEFAULT_MAX_PAGES,
|
||||
maxDepth: DEFAULT_MAX_DEPTH,
|
||||
sameDomainLimit: DEFAULT_SAME_DOMAIN_LIMIT,
|
||||
maxSearchQueries: DEFAULT_MAX_SEARCH_QUERIES
|
||||
}
|
||||
|
||||
for (let i = 0; i < argv.length; i += 1) {
|
||||
const arg = argv[i]
|
||||
const next = argv[i + 1]
|
||||
|
||||
if ((arg === '--url' || arg === '--start-url') && next) {
|
||||
args.urls.push(next)
|
||||
i += 1
|
||||
} else if (arg === '--urls' && next) {
|
||||
args.urls.push(
|
||||
...next
|
||||
.split(',')
|
||||
.map((url) => url.trim())
|
||||
.filter(Boolean)
|
||||
)
|
||||
i += 1
|
||||
} else if (arg === '--query' && next) {
|
||||
args.query = next
|
||||
i += 1
|
||||
} else if (arg === '--max-pages' && next) {
|
||||
args.maxPages = Number(next)
|
||||
i += 1
|
||||
} else if (arg === '--max-depth' && next) {
|
||||
args.maxDepth = Number(next)
|
||||
i += 1
|
||||
} else if (arg === '--same-domain-limit' && next) {
|
||||
args.sameDomainLimit = Number(next)
|
||||
i += 1
|
||||
} else if (arg === '--max-search-queries' && next) {
|
||||
args.maxSearchQueries = Number(next)
|
||||
i += 1
|
||||
}
|
||||
}
|
||||
|
||||
return args
|
||||
}
|
||||
|
||||
function normalizeUrl(url) {
|
||||
const parsedUrl = new URL(url)
|
||||
|
||||
parsedUrl.hash = ''
|
||||
|
||||
return parsedUrl.toString()
|
||||
}
|
||||
|
||||
function getDomain(url) {
|
||||
return new URL(url).hostname.toLowerCase()
|
||||
}
|
||||
|
||||
function getQueryTerms(query) {
|
||||
return query
|
||||
.toLowerCase()
|
||||
.split(/[^a-z0-9]+/i)
|
||||
.map((term) => term.trim())
|
||||
.filter((term) => term.length >= 2)
|
||||
}
|
||||
|
||||
function scoreLink(link, query, sourceUrl = '') {
|
||||
const primaryHaystack = `${link.url} ${link.text || ''}`.toLowerCase()
|
||||
const contextHaystack = `${link.context || ''}`.toLowerCase()
|
||||
const sourceDomain = sourceUrl ? getDomain(sourceUrl) : ''
|
||||
const linkDomain = getDomain(link.url)
|
||||
let score = 0
|
||||
|
||||
for (const term of getQueryTerms(query)) {
|
||||
if (primaryHaystack.includes(term)) {
|
||||
score += 4
|
||||
}
|
||||
|
||||
if (contextHaystack.includes(term)) {
|
||||
score += 1
|
||||
}
|
||||
}
|
||||
|
||||
if (sourceDomain && sourceDomain === linkDomain && score > 0) {
|
||||
score += 2
|
||||
}
|
||||
|
||||
return score
|
||||
}
|
||||
|
||||
function runFetchPage(url, query) {
|
||||
const scriptPath = path.join(
|
||||
path.dirname(fileURLToPath(import.meta.url)),
|
||||
'fetch-page.mjs'
|
||||
)
|
||||
const result = spawnSync(process.execPath, [
|
||||
scriptPath,
|
||||
'--url',
|
||||
url,
|
||||
'--query',
|
||||
query,
|
||||
'--mode',
|
||||
'summary',
|
||||
'--max-text-chars',
|
||||
String(DEFAULT_FETCH_MAX_TEXT_CHARS),
|
||||
'--max-links',
|
||||
String(DEFAULT_FETCH_MAX_LINKS)
|
||||
], {
|
||||
encoding: 'utf8',
|
||||
maxBuffer: 8 * 1_024 * 1_024
|
||||
})
|
||||
const output = result.stdout || result.stderr || '{}'
|
||||
|
||||
try {
|
||||
return JSON.parse(output)
|
||||
} catch {
|
||||
return {
|
||||
ok: false,
|
||||
url,
|
||||
error: output.trim() || `fetch-page exited with ${result.status}`
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
function enqueueRelevantLinks(queue, page, query, depth, args, visited) {
|
||||
if (depth >= args.maxDepth || !Array.isArray(page.links)) {
|
||||
return
|
||||
}
|
||||
|
||||
const scoredLinks = page.links
|
||||
.map((link) => ({
|
||||
...link,
|
||||
score: scoreLink(link, query, page.url)
|
||||
}))
|
||||
.filter((link) => link.score > 0)
|
||||
.sort((firstLink, secondLink) => secondLink.score - firstLink.score)
|
||||
|
||||
for (const link of scoredLinks) {
|
||||
try {
|
||||
const normalizedUrl = normalizeUrl(link.url)
|
||||
|
||||
if (visited.has(normalizedUrl)) {
|
||||
continue
|
||||
}
|
||||
|
||||
queue.push({
|
||||
url: normalizedUrl,
|
||||
depth: depth + 1,
|
||||
via: page.url,
|
||||
linkText: link.text,
|
||||
linkScore: link.score
|
||||
})
|
||||
} catch {
|
||||
continue
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
function hasRelevantLinks(page, query) {
|
||||
return (
|
||||
Array.isArray(page.links) &&
|
||||
page.links.some((link) => scoreLink(link, query, page.url) > 0)
|
||||
)
|
||||
}
|
||||
|
||||
function shouldStopEarly(page, query, depth, maxDepth) {
|
||||
return (
|
||||
page.ok === true &&
|
||||
Array.isArray(page.snippets) &&
|
||||
page.snippets.length > 0 &&
|
||||
Number(page.score || 0) >= STRONG_MATCH_SCORE &&
|
||||
(depth >= maxDepth || !hasRelevantLinks(page, query))
|
||||
)
|
||||
}
|
||||
|
||||
async function crawl(args) {
|
||||
if (args.urls.length === 0) {
|
||||
throw new Error('Missing --url or --urls. Use web search first, then pass promising URLs here.')
|
||||
}
|
||||
|
||||
if (!args.query) {
|
||||
throw new Error('Missing --query')
|
||||
}
|
||||
|
||||
const visited = new Set()
|
||||
const perDomainCounts = new Map()
|
||||
const queue = args.urls.map((url) => ({
|
||||
url: normalizeUrl(url),
|
||||
depth: 0,
|
||||
via: null,
|
||||
linkText: '',
|
||||
linkScore: 0
|
||||
}))
|
||||
const pages = []
|
||||
const matches = []
|
||||
let stopReason = 'limit_reached'
|
||||
|
||||
while (queue.length > 0 && pages.length < args.maxPages) {
|
||||
queue.sort((firstItem, secondItem) => secondItem.linkScore - firstItem.linkScore)
|
||||
|
||||
const item = queue.shift()
|
||||
|
||||
if (!item || visited.has(item.url)) {
|
||||
continue
|
||||
}
|
||||
|
||||
const domain = getDomain(item.url)
|
||||
const domainCount = perDomainCounts.get(domain) || 0
|
||||
|
||||
if (domainCount >= args.sameDomainLimit) {
|
||||
continue
|
||||
}
|
||||
|
||||
visited.add(item.url)
|
||||
perDomainCounts.set(domain, domainCount + 1)
|
||||
|
||||
const page = runFetchPage(item.url, args.query)
|
||||
const pageSummary = {
|
||||
url: page.url || item.url,
|
||||
status: page.status || null,
|
||||
ok: page.ok === true,
|
||||
title: page.title || '',
|
||||
depth: item.depth,
|
||||
via: item.via,
|
||||
linkText: item.linkText,
|
||||
score: Number(page.score || 0),
|
||||
textLength: Number(page.textLength || 0),
|
||||
chunk: page.chunk || null,
|
||||
rawTruncated: page.rawTruncated === true,
|
||||
snippets: Array.isArray(page.snippets) ? page.snippets : [],
|
||||
error: page.error || null
|
||||
}
|
||||
|
||||
pages.push(pageSummary)
|
||||
|
||||
if (pageSummary.snippets.length > 0) {
|
||||
matches.push(pageSummary)
|
||||
}
|
||||
|
||||
if (shouldStopEarly(page, args.query, item.depth, args.maxDepth)) {
|
||||
stopReason = 'strong_match_found'
|
||||
break
|
||||
}
|
||||
|
||||
enqueueRelevantLinks(queue, page, args.query, item.depth, args, visited)
|
||||
}
|
||||
|
||||
if (queue.length === 0 && stopReason === 'limit_reached') {
|
||||
stopReason = 'queue_exhausted'
|
||||
}
|
||||
|
||||
return {
|
||||
query: args.query,
|
||||
limits: {
|
||||
maxPages: args.maxPages,
|
||||
maxDepth: args.maxDepth,
|
||||
sameDomainLimit: args.sameDomainLimit,
|
||||
maxSearchQueries: args.maxSearchQueries
|
||||
},
|
||||
stopReason,
|
||||
pagesChecked: pages.length,
|
||||
pages,
|
||||
matches
|
||||
}
|
||||
}
|
||||
|
||||
try {
|
||||
const result = await crawl(parseArgs(process.argv.slice(2)))
|
||||
|
||||
process.stdout.write(`${JSON.stringify(result, null, 2)}\n`)
|
||||
} catch (error) {
|
||||
process.stdout.write(
|
||||
`${JSON.stringify(
|
||||
{
|
||||
ok: false,
|
||||
error: error instanceof Error ? error.message : String(error)
|
||||
},
|
||||
null,
|
||||
2
|
||||
)}\n`
|
||||
)
|
||||
process.exitCode = 1
|
||||
}
|
||||
Reference in New Issue
Block a user