☰

wgetは再帰モードでは動作しません

tag-icon • tag-icon wget
wgetは再帰モードでは動作しません

GNU Wget 1.16 built on linux-gnueabihfの上Raspberry Pi 3

最初のインデックスだけでなく、サイト全体を取得するように wget を強制するにはどうすればよいですか (リンクをたどり、ロボットのように動作します)?

私は試した：

wget -r http://aol.com
wget -r -l0 http://aol.com
wget -r -m -l0 http://aol.com

すべてのコマンドは同じ結果で終了しました:

--2017-11-29 08:05:42--  http://aol.com/
Resolving aol.com (aol.com)... 149.174.149.73, 64.12.249.135, 149.174.110.105, ...
Connecting to aol.com (aol.com)|149.174.149.73|:80... connected.
HTTP request sent, awaiting response... 301 Moved Permanently
Location: https://www.aol.com/ [following]
--2017-11-29 08:05:42--  https://www.aol.com/
Resolving www.aol.com (www.aol.com)... 34.233.220.13, 34.235.7.32, 52.6.64.98, ...
Connecting to www.aol.com (www.aol.com)|34.233.220.13|:443... connected.
HTTP request sent, awaiting response... 200 OK
Length: unspecified [text/html]
Last-modified header missing -- time-stamps turned off.
--2017-11-29 08:05:44--  https://www.aol.com/
Reusing existing connection to www.aol.com:443.
HTTP request sent, awaiting response... 200 OK
Length: unspecified [text/html]
Saving to: ‘aol.com/index.html’

aol.com/index.html                                              [  <=>                                                                                                                                      ] 359.95K   751KB/s   in 0.5s

2017-11-29 08:05:45 (751 KB/s) - ‘aol.com/index.html’ saved [368585]

FINISHED --2017-11-29 08:05:45--
Total wall clock time: 2.8s
Downloaded: 1 files, 360K in 0.5s (751 KB/s)

何が間違っているのでしょうか?

答え1

問題は、すべてのリンクがaol.com/index.html異なるホストを指しているために発生します。すべてのホストから再帰的にダウンロードするには、オプションを追加します。--span-hostsすべての AOL ホストを許可するには、オプションを追加するとうまくいくようです--span-hosts '*.aol.com'。

wget --span-hosts '*.aol.com' -r http://www.aol.com

リンクを一覧表示できます

grep -Po '(?<=href=")[^"]*' aol.com/index.html

ほとんどのアドレスはwww.aol.comを指しているので、

wget -r http://www.aol.com

答え2

以下を使用すると、wgetWeb サイトにリンクされているすべてのページを再帰的にダウンロードできます。

wget -r $(curl http://aol.com | grep -Po '(?<=href=")[^"]*')

サンプルのウェブサイトを希望のものに置き換えてください。これは次のように取得されます。Deapth for search in a graph

作業方法 curlを取得しますindex.html。 にパイプされ、grepに一致するすべてのリンクが検索されます。 入力結果は に変数としてhref渡されます。変数からリンクを 1 つずつ取得します。wgetwget

関連情報