如何从另一个网站“抓取”内容

Posted 2023-03-06

【中文标题】如何从另一个网站“抓取”内容

【英文标题】：How to 'Grab' content from another website

【发布时间】：2010-08-01 13:08:47

【问题描述】：

朋友问我这个问题，我无法回答。

他问：我正在制作这个网站，您可以在其中存档您的网站...

它的工作原理是这样的，您输入您的网站，例如 something.com，然后我们的网站会抓取该网站上的内容（如图像），以及所有这些内容并将其上传到我们的网站。然后人们可以在 oursite.com/something.com 上查看该站点的精确副本，即使阻止 something.com 的服务器已关闭。

他怎么能这样？ (php?) 有什么要求？

【问题讨论】：

“您可以将网站存档的网站”web.archive.org

如果你熟悉 php，有 Symfony2 组件，称为 WebCrawler 和 CssDom。 Symfony 的创建者已经整理了一个演示，展示了如何使用这些组件进行网络抓取。 github.com/fabpot/Goutte

【参考方案1】：

听起来您需要创建一个网络爬虫。 Web 爬虫可以用任何语言编写，尽管我建议使用 C++（使用 cURL）、Java（使用 URLConnection）或 Python（w/urrlib2）。您可能还可以使用 curl 或 wget 命令和 BASH 快速破解某些东西，尽管这可能不是最好的长期解决方案。此外，请不要忘记，您应该下载、解析并尊重“robots.txt”文件（如果您在抓取某人的网站时存在）。

【参考方案2】：

使用 wget。 gnuwin32 软件包中的 linux 版本或 windows 版本。 get it here.

【讨论】：

我认为使用 wget 只会让你得到 html 。如果该站点有其他来源（图片、文件..），您仍然会引用相同的（可能不可用的）资源。如果目的是提供一个临时的“故障转移”站点，他可能还需要下载资源。

这是错误的，wget 可以创建镜像，也会抓取其他资源。当然，您必须正确设置它。

【参考方案3】：

使用 curl 获取 html。 现在将所有图像、css、javascript 更改为绝对 url，如果它们是相对 url。 （这有点不道德）。您可以从您的网站获取所有这些资产并托管。 尊重所有网站的“robots.txt”。 read here。