具有热链接要求的递归 wget

Question

我经常使用 wget 来镜像非常大的网站。包含热链接内容（无论是图像、视频、css、js）的网站会造成问题，因为我似乎无法指定我希望 wget 抓取其他主机上的页面必需品，而无需爬网也遵循指向其他主机的超链接主机。

例如，让我们看看这个页面 https://dl.dropbox.com/u/11471672/wget-all-the-things.html

让我们假设这是一个我想完全镜像的大型网站，包括所有页面必需品——包括那些热链接的。

wget -e robots=off -r -l inf -pk 

^^ 获取除热链接图像之外的所有内容

wget -e robots=off -r -l inf -pk -H

^^ 获取所有内容，包括热链接图像，但失控，继续下载整个网络

wget -e robots=off -r -l inf -pk -H --ignore-tags=a

^^ 获取第一页，包括热链接和本地图像，不跟随超链接到范围之外的站点，但显然也不跟随超链接到站点的下一页。

我知道还有其他各种工具和方法可以实现这一点（HTTrack 和 Heritrix 允许用户区分其他主机上的热链接内容与指向其他主机的超链接），但我想看看这是否是可以使用 wget。 理想情况下这不会在后处理中完成，因为我希望将外部内容、请求和标头包含在我输出的 WARC 文件中。

Answer 1

您不能只为页面请求指定跨主机； -H 是全有或全无。由于 -r 和 -H 将拉下整个 Internet，因此您需要拆分使用它们的爬网。要获取热链接的页面请求，您必须运行 wget 两次：一次递归通过站点的结构，一次获取热链接的请求。我用这种方法很幸运：

1) wget -r -l inf [other non-H non-p switches] http://www.example.com

2) 构建站点结构 (find . | grep html) 中所有 HTML 文件的列表并通过管道传输到文件

3)wget -pH [other non-r switches] -i [infile]

第 1 步在您的本地计算机上构建站点的结构，并为您提供其中的任何 HTML 页面。第 2 步为您提供页面列表，第 3 步获取这些页面上使用的所有资产。这将在您的本地计算机上构建一个完整的镜像，只要热链接的资产仍然存在。

Answer 2

我已经设法通过使用正则表达式来做到这一点。像这样镜像http://www.example.com/docs

wget --mirror --convert-links --adjust-extension \
--page-requisites --span-hosts \
--accept-regex '^http://www\.example\.com/docs|\.(js|css|png|jpeg|jpg|svg)$' \
http://www.example.com/docs

您可能需要为每个特定站点调整正则表达式。例如，一些网站喜欢在 css 文件上使用参数（例如 style.css?key=value），本示例将排除这些参数。

您要包含的来自其他主机的文件可能至少包含

• 图片：png jpg jpeg gif
• 字体：ttf otf woff woff2 eot
• 其他：js css svg

有人认识其他人吗？

所以你想要的实际正则表达式可能看起来更像这样（作为一个没有换行符的字符串）：

^http://www\.example\.org/docs|\.([Jj][Ss]|[Cc][Ss][Ss]|[Pp][Nn][Gg]|[Jj]
[Pp][Ee]?[Gg]|[Ss][Vv][Gg]|[Gg][Ii][Ff]|[Tt][Tt][Ff]|[Oo][Tt][Ff]|[Ww]
[Oo][Ff][Ff]2?|[Ee][Oo][Tt])(\?.*)?$