Aşağıdaki wget komutuyla ilgili bir sorunum var:
wget -nd -r -l 10 http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
Bağlantılı belgelerin tümünü orijinal web’de özyinelemeli olarak indirmelidir ancak yalnızca iki dosyayı indirir ( index.htmlve robots.txt).
Bu web'in özyinelemeli indirmesini nasıl sağlayabilirim ?
Yanıtlar:
wgetvarsayılan olarak , arama motorlarında olduğu gibi sayfaları taramak için robots.txt standardını onurlandırır ve archive.org için, tüm / web / alt dizinine izin vermez. Geçersiz kılmak için -e robots=off,
wget -nd -r -l 10 -e robots=off http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
--mirrorbağlantılar dosya sistemine doğrudan seçeneği?
-nd, bu yüzden farklı s'ler index.htmlaynı dizine yerleştirilir ve bunlar olmadan -kbağlantıları yeniden yazmazsınız .
$ wget --random-wait -r -p -e robots=off -U Mozilla \
http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
URL içeriğini yinelemeli olarak indirir.
--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)".
Diğer bazı yararlı seçenekler:
--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
10daha az sayıya düşmeliyim, ama tahmin etmek zor. Şimdi bir dosya varsaintroduction.html,introduction.html.1,introduction.html.2ve ben daha çok süreci sona erdi.