这是一个创建于 123 天前的主题，其中的信息可能已经有所发展或是发生改变。
如题：
有什么办法可以把整个网站都爬下来，包括二级页面和各种 tab, 里面包括递归和 JS 渲染，想想都头大，各位彦祖集思广益，想想办法。
30 条回复 • 2024-08-04 09:53:10 +08:00
 |
1
weixind 123 天前
爬虫爬的好，牢饭吃得饱。
|
 |
2
crocoBaby 123 天前
直接爬路由
|
 |
3
hanierming 123 天前
抓取页面中的所有连接，爬到一个页面就继续访问里面的链接，无限递归。
高级一点的就是分析 URL 结构，自己拼接 URL 抓。 |
 |
4
FengMubai 123 天前
试试 idm
|
 |
5
erquren 123 天前
是不是为了合规
|
 |
6
gaoyangang OP @weixind 国外网站，不慌
 |
 |
7
D0n9 123 天前
|
 |
8
iyiluo 123 天前
做个链接去重不就行了，链接去重后塞进队列里面慢慢爬，不过你爬虫爬的时候小心有人敲门
|
|
9
gaoyangang OP @hanierming 有些 tab 要点击，才能加载出来
|
 |
10
wysnxzm 123 天前
爬虫小寄巧
|
|
11
hanierming 123 天前
@gaoyangang 那应该是会调接口的吧？你直接请求接口？
|
 |
12
whoosy 123 天前
|
 |
13
linhongjun 123 天前
以前我记得还有那种网站下载的软件 就是下载整站。。。。后来就没用过了
|
 |
14
xiangyuecn 123 天前
无头浏览器直接正常访问渲染，想要什么数据就读什么数据，管他乱七八糟的
|
 |
15
150530 123 天前
http://wget.oiweb.cn/ 这种可以全站爬取
|
 |
16
justwe7 123 天前
楼上老哥正解，单纯为了抓页面结构展示界面的话直接 https://pptr.dev/ 加延时等待渲染后拿代码
|
 |
17
luolw1998 123 天前
@gaoyangang #6 国外网站直接读他们的 sitemap.xml, https://www.semrush.com/sitemap.xml
|
 |
18
Mechanical 123 天前
Teleport Ultra
|
 |
19
tool2dx 123 天前
@linhongjun 以前相关页面数据都是写在 index.html 里的。现在 index 里啥都没有，数据都是 ajax 动态读取的。
|
 |
20
yulgang 123 天前
Offline Explorer
|
 |
21
ma836323493 123 天前
@gaoyangang #9 #9 那在加个 playwright 模拟点击
|
 |
22
vituralfuture 123 天前 via Android
用 scrapy 轻轻松松，之前有个课设就是做这个，我用 rust 手搓 http 协议，通过 flutter-rust-bridge 接到 dart ，dart 再用正则，xpath 等解析，把 vuejs.org 爬下来了
当然动态资源不容易爬取 |
|
23
vituralfuture 123 天前 via Android
@vituralfuture 简单来说就是一个广度优先遍历，把出现在 HTML 中的链接统统加入队列，之后去爬，还要处理一下 css 中的链接
|
 |
24
anjv 123 天前  2
在 Linux 下，通过一个命令就可以把整个站相关的文件全部下载下来。
wget -r -p -k -np 参数说明： -r： 递归下载 -p： 下载所有用于显示 HTML 页面的图片之类的元素 -k： 在转换文件 X 前先将它备份为 X.orig 。 -np： 不追溯至父目录 wget -r -np -nd http://example.com/ 这条命令可以下载 http://example.com 网站根目录中的所有文件。其中，-np 的作用是不遍历父目录，-nd 表示不在本机重新创建目录结构。 wget -m -k (-H) http://www.example.com/ 该命令可用来镜像一个网站，wget 将对链接进行转换。如果网站中的图像是放在另外的站点，那么可以使用 -H 选项。 |
 |
25
WhateverYouLike 123 天前 via iPhone
推荐 node 的 crawlee 框架，支持无头浏览器
|
 |
26
littlejackyxu 122 天前
学到了新知识。
|
 |
27
haose 122 天前 1
我说一下我最近弄的思路吧：
- 只保存目标网站的主 html 网页 - 通过服务端软件运行起来 - 监听 404 情求 - 去目标网站下载下载出来放到通用的目录 - 运行一下网站，功能覆盖全面一下 因为我是用这种方法拷贝的网页游戏，服务端自己分析情求自己写，正常网页的话这种思路应该也是可行的 |
 |
28
userdhf 122 天前
idm 有这个功能，就是很慢
|
 |
29
EndlessMemory 121 天前
全站爬虫
|
 |
30
midpoint 121 天前 1
Offline Explorer 或者 Teleport Ultra 都是专门用来爬网站的
|
Select Language