Tengo un problema con el siguiente comando wget:
wget -nd -r -l 10 http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
Debe descargar de forma recursiva todos los documentos vinculados en la web original, pero solo descarga dos archivos ( index.htmly robots.txt).
¿Cómo puedo lograr la descarga recursiva de esta web?
Respuestas:
wgetde manera predeterminada respeta el estándar robots.txt para las páginas de rastreo, al igual que los motores de búsqueda, y para archive.org, no permite todo el subdirectorio / web /. Para anular, use -e robots=off,
wget -nd -r -l 10 -e robots=off http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
--mirroropción para que los enlaces dirijan al sistema de archivos?
-nd, por lo que index.htmlse colocan diferentes correos electrónicos en el mismo directorio, y sin ellos -k, no podrá reescribir los enlaces.
$ wget --random-wait -r -p -e robots=off -U Mozilla \
http://web.archive.org/web/20110726051510/http://feedparser.org/docs/
Descarga recursivamente el contenido de la 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)".
Algunas otras opciones útiles son:
--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
10a un número menor, pero es difícil de adivinar. Ahora hay un archivointroduction.html,introduction.html.1,introduction.html.2y yo en vez terminado el proceso.