[转]Httrack工具与使用指南

1. HTTrack工具介绍

    HTTrack是一个网站镜像工具，本来是用来抓取网站做离线浏览用的。但是HTTrack的爬虫特性和搜索引擎蜘蛛爬虫非常的像，这也逐渐应用到 SEO（搜索引擎优化）工作中。其实这两种看似不同的爬虫做的都是同样的工作，就是复制网站并存储下来（网站在搜索引擎中的网页快照就是被存储下来的内容）。

HTTrack Website Copier界面如下图所示：

 

    我们一般用 HTTrack Website Copier 来对网站进行检测或测试，模拟爬虫对受保护服务的爬行、抓取、收录，以来测试我们的防护设备对爬虫的防护。

1. HTTrack工具使用

第一步：创立项目的名称（工程名）

第二步：选择操作方式，再点击“添加URL”,将我们的网站地址添加进去。

 

    第三步：进入“选项”，设定爬行和抓取规则等选项

 

在选项中，取消使用代理进行FTP传输；

进入“扫描规则”，为HTTrack程序设定爬行和抓取规则，HTTrack里面自带了一些，可以自己设置，也可以默认。

 

这样的扫描规则搜索引擎也一定会有的，比如不收录.exe文件,zip文件等等。然后不收录一些特定的跟踪链接， 如 ad.doubleclick.net 。你需要把一些搜索引擎爬虫不收录的特征加进去。

然后在“搜寻”里面，很多的特征都是现在搜索引擎爬虫的特征：

 

一般的搜索引擎不会接收cookies，因此测试时我们也将此项去掉。

第四步：一般按照以上设置就可以，其他的默认就行。点击下一步：

 

在此页面，我们不用选择任何项，直接点击完成就可以进行测试了，如下图

 

    此时，HTTrack开始对网页进行爬行，抓取。

原文地址:https://wenku.baidu.com/view/b128946327d3240c8447ef61.html