Saya punya masalah dengan perintah wget berikut:
wget -nd -r -l 10 http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
Itu harus mengunduh secara rekursif semua dokumen yang ditautkan di web asli tetapi hanya mengunduh dua file ( index.htmldan robots.txt).
Bagaimana saya bisa mendapatkan unduhan berulang web ini ?
Jawaban:
wgetsecara default menghormati standar robots.txt untuk merayapi halaman, seperti halnya mesin pencari, dan untuk archive.org, itu melarang seluruh / web / subdirektori. Untuk mengganti, gunakan -e robots=off,
wget -nd -r -l 10 -e robots=off http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
--mirroropsi untuk tautan langsung ke sistem file?
-nd, jadi berbeda index.htmlditempatkan di direktori yang sama, dan tanpa -k, Anda tidak akan mendapatkan penulisan ulang tautan.
$ wget --random-wait -r -p -e robots=off -U Mozilla \
http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
Unduhan konten url secara rekursif.
--random-wait - wait between 0.5 to 1.5 seconds between requests.
-r - turn on recursive retrieving.
-e robots=off - ignore robots.txt.
-U Mozilla - set the "User-Agent" header to "Mozilla". Though a better choice is a real User-Agent like "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729)".
Beberapa opsi lain yang bermanfaat adalah:
--limit-rate=20k - limits download speed to 20kbps.
-o logfile.txt - log the downloads.
-l 0 - remove recursion depth (which is 5 by default).
--wait=1h - be sneaky, download one file every hour.
-l 0 - remove recursion depth (which is 5 by default)+1
10ke angka yang lebih rendah, tetapi sulit ditebak. Sekarang ada sebuah fileintroduction.html,introduction.html.1,introduction.html.2dan aku lebih berakhir proses.