wget으로 재귀 적으로 다운로드 모든 연결된 문서를 재귀 적으로

다음 wget 명령에 문제가 있습니다.

wget -nd -r -l 10 http://web.archive.org/web/20110726051510/http://feedparser.org/docs/

원본 웹에서 모든 연결된 문서를 재귀 적으로 다운로드해야하지만 두 개의 파일 ( index.html및 robots.txt) 만 다운로드합니다 .

이 웹을 재귀 적으로 다운로드하려면 어떻게 해야합니까?

답변

wget기본적으로 검색 엔진과 마찬가지로 페이지 크롤링에 대한 robots.txt 표준 을 따르며 archive.org의 경우 전체 / web / 하위 디렉토리를 허용하지 않습니다. 재정의하려면 -e robots=off,

wget -nd -r -l 10 -e robots=off http://web.archive.org/web/20110726051510/http://feedparser.org/docs/

답변

$ wget --random-wait -r -p -e robots=off -U Mozilla \
    http://web.archive.org/web/20110726051510/http://feedparser.org/docs/

URL 내용을 재귀 적으로 다운로드합니다.

--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)".

다른 유용한 옵션은 다음과 같습니다.

--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.

답변