所以，这就是我要下载的内容 - https://www.slader.com/textbook/9781337624183-calculus-9th-edition/
看起来相当简单，我尝试在“扫描规则”中添加几行以强制它下载其下的所有内容，但由于某种原因，整个过程在 10 秒内完成，并且仅下载上述内容并没有更进一步链接本身。 例如，除了拥有https://www.slader.com/textbook/9781337624183-calculus-9th-edition/ 本身之外，我还希望拥有源自它的所有链接，例如https://www.slader.com/textbook/9781337624183-calculus-9th-edition/311/。 本质上，从上面的第一个链接开始的所有内容（包括来自其他域的嵌入图片，但没有外部链接。 据我所知，调整一些设置并在“扫描规则”部分添加一些规则应该可以解决问题，但不幸的是我自己无法弄清楚。
【问题讨论】：
为了只复制来自该主机而不是其他主机的链接，要包含您提交的第一个链接，您需要设置扫描规则。
在您设置网址的菜单页面上，单击“设置选项...”按钮，然后单击“扫描规则”选项卡。接下来确保您的扫描规则排除所有链接，然后确保它们包含来自您想要的源的链接。这种设置的例子是
+*.png +*.gif +*.jpg +*.jpeg +*.css +*.js -ad.doubleclick.net/* -mime:application/foobar
-*
+*[name].slader.com/*
这实际上会保存所有来自 slader.com 的链接，但不会存储该域之外的任何内容。
编辑
如果您只希望以您在扫描规则中键入的链接开头的链接看起来类似于：
+*.png +*.gif +*.jpg +*.jpeg +*.css +*.js -ad.doubleclick.net/* -mime:application/foobar
-*
+*[name].*[name]https://www.slader.com/textbook/9781337624183-calculus-9th-edition/*[name].*[name]/*
编辑
由于特定视图的链接结构方式，您可能无法通过 HTTrack 获取其他页面，例如“表示函数的四种方式”。如果您查看来源，他们的链接发布如下：
<tr data-url="/textbook/9781337624183-calculus-9th-edition/17/" class="exercise-group">
<td>1.1</td>
<td style="width: 360px;">Four Ways to Represent a Function</td>
<td style="width: 230px;">Exercises</td>
<td style="width: 74px;">p.17</td>
</tr>
如您所见，他们使用 data-url 属性来定位下一页，使用 JS 库来实际导航浏览器。由于这不是一个锚标签，HTTrack 不知道它应该跟随它，因为它不将其视为链接。
一些替代方法是使用Selenium 或Scrapy 之类的东西来编写一个具有您自己的规则的网络爬虫，这样可以更好地理解它。
【讨论】：