Mam problem z następującą komendą wget:
wget -nd -r -l 10 http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
Powinien pobierać rekurencyjnie wszystkie połączone dokumenty w oryginalnej sieci, ale pobiera tylko dwa pliki ( index.htmli robots.txt).
Jak mogę uzyskać rekurencyjne pobieranie tej strony?
Odpowiedzi:
wgetdomyślnie honoruje standard robots.txt do indeksowania stron, podobnie jak wyszukiwarki, a dla archive.org nie zezwala na cały podkatalog / web /. Aby zastąpić, wykorzystanie -e robots=off,
wget -nd -r -l 10 -e robots=off http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
--mirroropcja łączy do systemu plików?
-nd, więc różne index.htmls są umieszczane w tym samym katalogu, a bez tego -knie będziesz mieć przepisywania linków.
$ wget --random-wait -r -p -e robots=off -U Mozilla \
http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
Pobiera rekurencyjnie treść adresu 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)".
Inne przydatne opcje to:
--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
10do niższej liczby, ale trudno zgadnąć. Teraz znajduje się plikintroduction.html,introduction.html.1,introduction.html.2a ja raczej zakończony proces.