利用wget 抓取 网站网页 包括css背景图片


 利用wget 抓取 网站网页 包括css背景图片
wget是一款非常优秀的http/ftp下载工具,它功能强大,而且几乎所有的unix系统上都有。不过用它来dump比较现代的网站会有一个问题:不支持css文件,它不会自动下载、重新链接css中所指定的图片。这个问题导致的最常见的后果是dump下来的网站看不到背景图片。本文所介绍的这个脚本主要就是用来解决这个缺陷的。
这里简要介绍一下这个脚本的细节:
    第3行用于设置要下载的网站的地址。
    第10行用于将文件名转换为windows兼容的格式。windows对文件名格式的要求比unix更为苛刻一点,这里指定为windows也可以兼容unix系统。总的来说,wget的这个功能稍微弱了一点,面对一些更苛刻的系统就没有办法了。
    第13行用于忽略robots.txt。很多网站的css、js文件都是在robots.txt中被定义为spider不可访问的。
    第15、16行用于忽略某些目录和文件。因为没有了robots.txt的限制,wget可能会去访问一些不需要的东西。这里可以根据具体情况做限制。
    第19~24行下载css中链接的文件。
    第26~29行修正css中的链接。
以下是这个脚本的内容
    #!/bin/sh  
      
    ADDR=”http://www.EXAMPLE.com/”  
      
    SERVER=${ADDR#http://}  
    SERVER=${SERVER%%/*}  
      
    wget /  
        –html-extension /  
        –restrict-file-names=windows /  
        –convert-links /  
        –page-requisites /  
        –execute robots=off /  
        –mirror /  
        –exclude-directories /comment/reply/,/aggregator/,/user/ /  
        –reject “aggregator*” /  
        “$ADDR”  
      
    find $SERVER -type f -name “*.css” -exec cat {} /; |  
    grep -o ‘url(/[^)]*)’ |  
    sort |   
    uniq |  
    sed ‘s/^url(/(.*/))$/http:////’$SERVER’/1/’ |  
    wget –mirror –page-requisites -i –  
      
    for i in `find $SERVER -type f -name “*.css”`; do  
        PREFIX=”$(echo $i | sed ‘s/[^//]*//g; s///$//; s////../////g’)”  
        sed -i ‘s/url(///url(‘$PREFIX’/g’ $i  
    done 
原文链接:,转发请注明来源!
评论已关闭。