Estou com um problema com o seguinte comando wget:
wget -nd -r -l 10 http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
Ele deve baixar recursivamente todos os documentos vinculados na Web original, mas baixa apenas dois arquivos ( index.htmle robots.txt).
Como posso obter o download recursivo desta web?
Respostas:
wgetpor padrão, honra o padrão robots.txt para rastrear páginas, assim como os mecanismos de pesquisa, e para archive.org, ele não permite todo o subdiretório / web /. Para substituir, use -e robots=off,
wget -nd -r -l 10 -e robots=off http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
--mirroropção para os links direcionarem para o sistema de arquivos?
-nd, então diferentes index.htmls são colocados no mesmo diretório e -k, sem , você não poderá reescrever os links.
$ wget --random-wait -r -p -e robots=off -U Mozilla \
http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
Transfere recursivamente o conteúdo do 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)".
Algumas outras opções úteis são:
--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
10para um número menor, mas é difícil de adivinhar. Agora há um arquivointroduction.html,introduction.html.1,introduction.html.2e eu, em vez terminado o processo.