web - 使用 HTTrack 仅在某个子域下下载链接(没有外部)
问题描述
所以,这就是我要下载的 - https://www.slader.com/textbook/9781337624183-calculus-9th-edition/
看起来相当简单,我尝试在“扫描规则”中添加几行以强制它下载其下的所有内容,但由于某种原因,整个过程在 10 秒内完成,并且仅下载上述链接本身并没有更进一步。例如,除了拥有https://www.slader.com/textbook/9781337624183-calculus-9th-edition/本身之外,我还希望拥有源自它的所有链接,例如https://www.slader。 com/textbook/9781337624183-calculus-9th-edition/311/也。本质上,从上面的第一个链接开始的所有内容(包括来自其他域的嵌入图片,但没有外部链接。据我所知,调整一些设置并在“扫描规则”部分添加一些规则应该可以做到诡计,但不幸的是我自己无法弄清楚。
解决方案
为了只复制来自该主机而不是其他主机的链接,要包含您提交的第一个链接,您需要设置扫描规则。
在您设置网址的菜单页面上,单击“设置选项...”按钮,然后单击“扫描规则”选项卡。接下来确保您的扫描规则排除所有链接,然后确保它们包含来自您想要的源的链接。这种设置的例子是
+*.png +*.gif +*.jpg +*.jpeg +*.css +*.js -ad.doubleclick.net/* -mime:application/foobar
-*
+*[name].slader.com/*
这基本上会保存来自 slader.com 的所有链接,但不会存储该域之外的任何内容。
编辑
如果您只想要以您在扫描规则中键入的链接开头的链接,则看起来类似于以下内容:
+*.png +*.gif +*.jpg +*.jpeg +*.css +*.js -ad.doubleclick.net/* -mime:application/foobar
-*
+*[name].*[name]https://www.slader.com/textbook/9781337624183-calculus-9th-edition/*[name].*[name]/*
编辑
由于特定视图的链接结构方式,您可能无法通过 HTTrack 获取其他页面,例如“表示函数的四种方式”。如果您查看来源,他们的链接发布如下:
<tr data-url="/textbook/9781337624183-calculus-9th-edition/17/" class="exercise-group">
<td>1.1</td>
<td style="width: 360px;">Four Ways to Represent a Function</td>
<td style="width: 230px;">Exercises</td>
<td style="width: 74px;">p.17</td>
</tr>
正如你所看到的,他们使用 data-url 属性来定位下一页,使用 JS 库来实际导航浏览器。由于这不是一个锚标签,HTTrack 不知道它应该跟随它,因为它不将其视为链接。
一些替代方案是使用Selenium或Scrapy 之类的东西来编写一个具有您自己的规则的网络爬虫,这样可以更好地理解它。
推荐阅读
- google-colaboratory - OpenCV 预装在 google colab 中,但我无法从 opencv contrib 添加额外的模块。还是一样 - 没有这样的文件或目录
- c++ - C++用不同的分隔符读取两个不同的文件
- python - 如何将此递归解决方案转换为 DP 解决方案?
- nuget - 有没有办法使 NuGet 包不可更新?
- pandas - 如何在 matplotlib 上将两个不同的熊猫数据框绘制成一张图表?
- html - HTML/CSS - 具有视差效果的图像上的图像
- xaml - 如何更改 XAML 弹出窗口的大小?
- elixir - Phoenix Ecto 上的 join 和 preload 有什么区别
- python - 欧拉计划问题 15 的程序仅适用于小于 12 的数字
- javascript - 当两个对象相互引用时,如何停止无限递归?