从爬网站点中提取图形(ARC 文件)

发布于 2024-09-06 02:06:20 字数 134 浏览 15 评论 0原文

我正在处理由 Heritrix 爬网生成的 ARC 文件。当我在 Wayback Machine 中查看这些页面时,看起来大部分图形都是从我的本地计算机加载的,因此我假设这些图形存储在 ARC 文件中。这是正确的吗?如果是这样,提取图像的最佳方法是什么?

I'm working with ARC files that were generated by a Heritrix crawl. When I view these pages in the Wayback Machine, it looks like most of the graphics are being loaded from my local machine, so I'm assuming that those graphics are stored inside the ARC files. Is that correct? If so, what is the best way to extract the images?

如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。

扫码二维码加入Web技术交流群

发布评论

需要 登录 才能够评论, 你可以免费 注册 一个本站的账号。

评论(1

尽揽少女心 2024-09-13 02:06:20

我找到了一个解决方案,一个名为 arc_extractor 的 Perl 脚本:
https://wiki.lib.umn.edu/wupl/DI2。 HowToCrawl/arc_extractor.txt

它提取 ARC 文件中的所有文件,根据接收文件的站点按文件夹分隔。是的,它确实包含图像文件。

该脚本不太优雅......所以如果有人有任何其他建议,我有兴趣了解它们。

I found one solution, a perl script called arc_extractor:
https://wiki.lib.umn.edu/wupl/DI2.HowToCrawl/arc_extractor.txt

It extracts all the files that are in the ARC file, separated by folder according to the site from which they were received. And yes, it does include image files.

The script isn't too elegant... so if anyone has any other suggestions I'd be interested in learning about them.

~没有更多了~
我们使用 Cookies 和其他技术来定制您的体验包括您的登录状态等。通过阅读我们的 隐私政策 了解更多相关信息。 单击 接受 或继续使用网站,即表示您同意使用 Cookies 和您的相关数据。
原文