У меня проблема со следующей командой wget:
wget -nd -r -l 10 http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
Он должен рекурсивно загружать все связанные документы в оригинальной сети, но загружает только два файла ( index.htmlи robots.txt).
Как я могу добиться рекурсивной загрузки этой сети?
Ответы:
wgetпо умолчанию соблюдает стандарт robots.txt для сканирования страниц, как это делают поисковые системы, а для archive.org запрещает весь подкаталог / web /. Чтобы переопределить, используйте -e robots=off,
wget -nd -r -l 10 -e robots=off http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
--mirrorвозможность для ссылок направлять на файловую систему?
-nd, поэтому разные index.htmlфайлы помещаются в один и тот же каталог, и без -kэтого вы не получите переписывания ссылок.
$ wget --random-wait -r -p -e robots=off -U Mozilla \
http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
Загружает рекурсивно содержимое URL.
--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)".
Некоторые другие полезные опции:
--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
10число до меньшего, но это трудно догадаться. Теперь есть файлintroduction.html,introduction.html.1,introduction.html.2и я скорее закончился процесс.