shell - 使用 wget 递归获取包含任意文件的目录

Question

我有一个 Web 目录，用于存储一些配置文件。我想使用 wget 将这些文件拉下来并保持它们当前的结构。例如，远程目录如下所示：

http://mysite.com/configs/.vim/

.vim 包含多个文件和目录。我想使用 wget 在客户端上复制它。似乎无法找到正确的 wget 标志组合来完成这项工作。有任何想法吗？

score 1103 · Accepted Answer

您必须将-np/--no-parent选项传递给wget（当然，除了-r/ --recursive），否则它将按照我网站上目录索引中的链接指向父目录。所以命令看起来像这样：

wget --recursive --no-parent http://example.com/configs/.vim/

为避免下载自动生成的index.html文件，请使用-R/--reject选项：

wget -r -np -R "index.html*" http://example.com/configs/.vim/

score 137 · Accepted Answer

递归下载目录，拒绝 index.html* 文件并下载没有主机名、父目录和整个目录结构：

wget -r -nH --cut-dirs=2 --no-parent --reject="index.html*" http://mysite.com/dir1/dir2/data

score 123 · Accepted Answer

对于其他有类似问题的人。Wget 跟随robots.txt它可能不允许您抓取该站点。不用担心，您可以将其关闭：

wget -e robots=off http://www.example.com/

http://www.gnu.org/software/wget/manual/html_node/Robot-Exclusion.html

score 42 · Accepted Answer

您应该使用 -m （镜像）标志，因为它注意不要弄乱时间戳并无限期地递归。

wget -m http://example.com/configs/.vim/

如果您在此线程中添加其他人提到的要点，它将是：

wget -m -e robots=off --no-parent http://example.com/configs/.vim/

score 40 · Accepted Answer

这是完整的 wget 命令，可用于从服务器目录下载文件（忽略robots.txt）：

wget -e robots=off --cut-dirs=3 --user-agent=Mozilla/5.0 --reject="index.html*" --no-parent --recursive --relative --level=1 --no-directories http://www.example.com/archive/example/5.3.0/

score 8 · Accepted Answer

如果--no-parent没有帮助，您可以使用--include选项。

目录结构：

http://<host>/downloads/good
http://<host>/downloads/bad

你想下载downloads/good但不是downloads/bad目录：

wget --include downloads/good --mirror --execute robots=off --no-host-directories --cut-dirs=1 --reject="index.html*" --continue http://<host>/downloads/good

score 7 · Accepted Answer

wget -r http://mysite.com/configs/.vim/

为我工作。

也许您有一个干扰它的 .wgetrc ？

score 5 · Accepted Answer

要使用用户名和密码递归地获取目录，请使用以下命令：

wget -r --user=(put username here) --password='(put password here)' --no-parent http://example.com/

score 4 · Accepted Answer

此版本递归下载，不创建父目录。

wgetod() {
    NSLASH="$(echo "$1" | perl -pe 's|.*://[^/]+(.*?)/?$|\1|' | grep -o / | wc -l)"
    NCUT=$((NSLASH > 0 ? NSLASH-1 : 0))
    wget -r -nH --user-agent=Mozilla/5.0 --cut-dirs=$NCUT --no-parent --reject="index.html*" "$1"
}

用法：

添加~/.bashrc或粘贴到终端
wgetod "http://example.com/x/"

score 3 · Accepted Answer

您只需要两个标志，一个"-r"用于递归和"--no-parent"（或-np），以便不进入'.'and ".." 。像这样：

wget -r --no-parent http://example.com/configs/.vim/

就是这样。它将下载到以下本地树中：./example.com/configs/.vim. 但是，如果您不想要前两个目录，请使用--cut-dirs=2前面回复中建议的附加标志：

wget -r --no-parent --cut-dirs=2 http://example.com/configs/.vim/

它只会将您的文件树下载到./.vim/

事实上，我正是从wget 手册中得到了这个答案的第一行，他们在第 4.3 节的末尾有一个非常干净的例子。

score 3 · Accepted Answer

在处理递归下载时，以下选项似乎是完美的组合：

wget -nd -np -P /dest/dir --recursive http://url/dir1/dir2

为方便起见，手册页中的相关片段：

   -nd
   --no-directories
       Do not create a hierarchy of directories when retrieving recursively.  With this option turned on, all files will get saved to the current directory, without clobbering (if a name shows up more than once, the
       filenames will get extensions .n).


   -np
   --no-parent
       Do not ever ascend to the parent directory when retrieving recursively.  This is a useful option, since it guarantees that only the files below a certain hierarchy will be downloaded.

score 3 · Accepted Answer

首先，感谢所有发布答案的人。这是我递归下载网站的“终极” wget 脚本：

wget --recursive ${comment# self-explanatory} \
  --no-parent ${comment# will not crawl links in folders above the base of the URL} \
  --convert-links ${comment# convert links with the domain name to relative and uncrawled to absolute} \
  --random-wait --wait 3 --no-http-keep-alive ${comment# do not get banned} \
  --no-host-directories ${comment# do not create folders with the domain name} \
  --execute robots=off --user-agent=Mozilla/5.0 ${comment# I AM A HUMAN!!!} \
  --level=inf  --accept '*' ${comment# do not limit to 5 levels or common file formats} \
  --reject="index.html*" ${comment# use this option if you need an exact mirror} \
  --cut-dirs=0 ${comment# replace 0 with the number of folders in the path, 0 for the whole domain} \
$URL

之后，可能需要从 URL中剥离查询参数main.css?crc=12324567并运行本地服务器（例如，通过python3 -m http.server在您刚刚 wget'ed 的目录中）来运行 JS。请注意，该--convert-links选项仅在完全爬网完成后才会生效。

此外，如果您想建立一个可能很快会关闭的网站，您应该联系 ArchiveTeam并要求他们将您的网站添加到他们的 ArchiveBot 队列中。

score 2 · Accepted Answer

Wget 1.18 可能会更好，例如，我被 1.12 版本的错误咬住了...

wget --recursive (...)

...仅检索 index.html 而不是所有文件。

解决方法是注意一些 301 重定向并尝试新位置 - 给定新 URL，wget 获取目录中的所有文件。

score 1 · Accepted Answer

递归 wget 忽略机器人（用于网站）

wget -e robots=off -r -np --page-requisites --convert-links 'http://example.com/folder/'

-e robots=off 导致它忽略该域的 robots.txt

-r 使其递归

-np = 没有父母，所以它不跟随到父文件夹的链接

score 0 · Accepted Answer

听起来您正在尝试获取文件的镜像。虽然wget有一些有趣的 FTP 和 SFTP 用途，但一个简单的镜像应该可以工作。只需几个注意事项即可确保您能够正确下载文件。

尊重`robots.txt`

确保如果您的、或目录中有文件，/robots.txt它不会阻止爬网。如果是这样，您需要使用命令中的以下选项通过添加来指示忽略它：public_htmlwwwconfigswgetwget

wget -e robots=off 'http://your-site.com/configs/.vim/'

将远程链接转换为本地文件。

此外，wget必须指示将链接转换为下载的文件。如果您已正确完成上述所有操作，那么您应该没问题。我发现获取所有文件的最简单方法是使用mirror命令，前提是在非公共目录后面没有隐藏任何内容。

试试这个：

wget -mpEk 'http://your-site.com/configs/.vim/'

# If robots.txt is present:

wget -mpEk robots=off 'http://your-site.com/configs/.vim/'

# Good practice to only deal with the highest level directory you specify (instead of downloading all of `mysite.com` you're just mirroring from `.vim`

wget -mpEk robots=off --no-parent 'http://your-site.com/configs/.vim/'

首选使用-m代替，-r因为它没有最大递归深度并且它会下载所有资产。Mirror 非常擅长确定站点的完整深度，但是如果您有许多外部链接，您最终可能会下载的不仅仅是您的站点，这就是我们使用-p -E -k. 制作页面的所有先决条件文件和保留的目录结构应该是输出。-k将链接转换为本地文件。由于您应该设置一个链接，因此您应该在 config 文件夹中添加一个文件/.vim.

镜像模式也适用于设置为的目录结构ftp://。

一般经验法则：

根据您正在做镜像的站点的一侧，您正在向服务器发送许多调用。为了防止您被列入黑名单或被切断，请使用该wait选项来限制您的下载。

wget -mpEk --no-parent robots=off --random-wait 'http://your-site.com/configs/.vim/'

但是，如果您只是下载../config/.vim/文件，则不必担心它会忽略父目录并下载单个文件。

score -1 · Accepted Answer

-1

您应该只需添加 -r 就可以做到这一点

wget -r http://stackoverflow.com/

于 2008-11-07T21:50:44.320 回答

shell - 使用 wget 递归获取包含任意文件的目录

16 回答 16

尊重robots.txt

将远程链接转换为本地文件。

试试这个：

一般经验法则：

Related

Reference

尊重`robots.txt`