☰

wget не работает в рекурсивном режиме

tag-icon • tag-icon wget
wget не работает в рекурсивном режиме

GNU Wget 1.16 built on linux-gnueabihfнаRaspberry Pi 3

Как заставить wget загрузить весь сайт (переходить по ссылкам, действовать как робот), а не только первый индекс?

Я пытался:

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

Каждая команда заканчивалась одинаково:

--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)

Что я делаю не так?

решение1

Ваша проблема возникает из-за того, что все ссылки aol.com/index.htmlуказывают на разные хосты. Для рекурсивной загрузки со всех хостов вы можете добавить опцию --span-hosts. Чтобы разрешить все хосты aol, мне показалось, что сработало добавление опции --span-hosts '*.aol.com'.

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

Вы можете перечислить ссылки с помощью

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

Вы увидите, что большинство из них ведут на www.aol.com, поэтому вы также можете позвонить

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

решение2

Использование следующего кода позволит wgetрекурсивно загрузить все страницы, связанные с веб-сайтом.

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

Замените пример веб-сайта на тот, который вам нужен. Это будет извлекать какDeapth for search in a graph

Метод работы curlбудет извлекать index.html. Он будет передан в grepдля поиска всех ссылок путем сопоставления href. Результат ввода будет передан wgetв качестве переменной. wgetизвлекать ссылки одну за другой из переменной.

Связанный контент