ウェブサイト全体をダウンロードするが、すべてのバイナリを無視する方法。
wget
このフラグを使用すると効果がありますが、すべてをダウンロードし、-r
一部のサイトはリソースが不足しているコンピュータに比べて多すぎ、サイトをダウンロードした特定の理由で役に立ちません。
これは私が使用するコマンドラインです:(wget -P 20 -r -l 0 http://www.omardo.com/blog
私のブログ)
答え1
ホワイトリストを指定できます。許可されないファイル名パターン:
許可する:
-A LIST
--accept LIST
許可されていません:
-R LIST
--reject LIST
LIST
カンマ区切りのファイル名パターン/拡張子のリスト。
次の予約文字を使用してパターンを指定できます。
*
?
[
]
例:
- PNGファイルのみダウンロード:
-A png
- CSSファイルをダウンロードしないでください。
-R css
- 「アバター」で始まるPNGファイルをダウンロードしないでください。
-R avatar*.png
ファイルに拡張子がない場合。ファイル名に使用できるパターンはありません。 MIMEタイプの確認が必要なようです(参照Lars Kothoffの答え)。
答え2
答え3
新しいWget(Wget2)にはすでに次の機能があります。
--filter-mime-type Specify a list of mime types to be saved or ignored`
### `--filter-mime-type=list`
Specify a comma-separated list of MIME types that will be downloaded. Elements of list may contain wildcards.
If a MIME type starts with the character '!' it won't be downloaded, this is useful when trying to download
something with exceptions. For example, download everything except images:
wget2 -r https://<site>/<document> --filter-mime-type=*,\!image/*
It is also useful to download files that are compatible with an application of your system. For instance,
download every file that is compatible with LibreOffice Writer from a website using the recursive mode:
wget2 -r https://<site>/<document> --filter-mime-type=$(sed -r '/^MimeType=/!d;s/^MimeType=//;s/;/,/g' /usr/share/applications/libreoffice-writer.desktop)
現在、Wget2はまだリリースされていませんが、まもなくリリースされる予定です。 Debian Unstableがアルファ版をリリースしました。
見ているhttps://gitlab.com/gnuwget/wget2より多くの情報を知りたいです。質問/コメントを直接投稿できます。[Eメール保護]。
答え4
私が試した全く異なるアプローチはScrapyを使用することでしたが、同じ問題がありました!私が解決した方法は次のとおりです。Python Scrapy - テキスト以外のファイルのダウンロードを防ぐためのMIMEタイプベースのフィルタ?
解決策は、プロキシを設定し、
Node.js
環境変数を介してそれを使用するようにScrapyを設定することです。http_proxy
何ですか代理人実行する必要がある作業は次のとおりです。
- ScrapyからHTTPリクエストを取得し、クロールしているサーバーに送信します。その後、すべてのHTTPトラフィックを傍受するScrapyの応答を返します。
- バイナリの場合(実装された経験的な方法に基づいて)
403 Forbidden
Scrapyにエラーを送信し、要求/応答をすぐに閉じます。これは時間とトラフィックを節約するのに役立ち、Scrapyはクラッシュしません。実際に動作するサンプルプロキシコード!
http.createServer(function(clientReq, clientRes) {
var options = {
host: clientReq.headers['host'],
port: 80,
path: clientReq.url,
method: clientReq.method,
headers: clientReq.headers
};
var fullUrl = clientReq.headers['host'] + clientReq.url;
var proxyReq = http.request(options, function(proxyRes) {
var contentType = proxyRes.headers['content-type'] || '';
if (!contentType.startsWith('text/')) {
proxyRes.destroy();
var httpForbidden = 403;
clientRes.writeHead(httpForbidden);
clientRes.write('Binary download is disabled.');
clientRes.end();
}
clientRes.writeHead(proxyRes.statusCode, proxyRes.headers);
proxyRes.pipe(clientRes);
});
proxyReq.on('error', function(e) {
console.log('problem with clientReq: ' + e.message);
});
proxyReq.end();
}).listen(8080);