如何拷贝网站

浏览器里直接按Ctrl+S是入门操作，保存的是当前这个页面的快照。你想拷贝素材、研究排版，用它就够了。操作时有个选项，让你选“网页，仅HTML”还是“网页，全部”。前者存下来只是光秃秃的文字骨架，图片样式全丢；后者会连带着把css样式、JavaScript脚本、图片素材一起塞进一个文件夹。大多数情况下选后者，这样才能保留页面原本长相。缺点是这种办法只对单个页面有效，网站内页之间的跳转链接还是指向线上地址，点一下照样跳回原网站，断网以后这堆文件就是一盘散沙。

要拷贝整站，得请专业工具下场。这类工作最好用的是wget，它是个老牌的下载工具，在电脑上装好环境变量后，打开终端敲几行命令就能干活。常用命令长这样：wget -m -p -E -k -np 网址。拆开看，m是镜像模式，会顺着页面上能点的链接一层层往下抓；p是补全图片、样式这些依赖文件；E和k负责把链接改成能本地打开的相对地址，这样整个站点拷下来离线也能逛。前几年德国有个学术机构做过测试，拿wget抓取一个几百页的企业官网，只用了七分钟，总大小不过三百多兆，效率相当高。

不过wget参数记起来麻烦，图形界面的替代品就活得很好。比如httrack，名字就直白，网页追踪者，装好以后点几下鼠标设置保存位置和抓取深度就能干活。我的建议是深度别拉满，设置成两层就够，一层抓完首页再点进去抓内页，再深的栏目页数据量太庞大，硬盘不太宽裕的人撑不住。另外很多站长在设置里默认屏蔽了后台管理目录，这是好事，因为你拷的本来就是被允许公开展示的那部分内容。

要是网站带了登录系统或者动态数据库，硬抓就会卡壳。现在好多网站内容由后台程序实时生成，网址背后是文章数据库，你不带账号登录，抓下来的页面常常只有外壳，核心文章区域空着。以前有人靠发帖机器人批量在论坛里灌水，其实技术底层就是这种抓取脚本，只是人家能提交表单、能带登录态，玩得更花哨。真遇到这种情况别死磕，老老实实找找有没有API资料，或者跟站长商量内容授权，比技术破解靠谱得多。

动手实践几次会发现，真正的窍门在于处理散落的素材。拷贝结果里最常见的问题有两个：一是字体组件外链到谷歌服务器，本土打开慢得像蜗牛爬，需要替换成国内CDN源；二是JS特效太多，本地环境配不上，页面光秃秃的毫无生机。去年有个朋友拷了个带动态粒子背景的官网做学习项目，本地调试半天粒子不动，查了老半天才发现是浏览器的跨域限制，最后架了个简易服务器才跑通。这类工程量要么指望抓取工具自动改写，要么靠人工排查。

再说一个被大家普遍忽略的部分：robots协议文件。每个正规网站根目录下都有个存放抓取规则的txt文件，上面白纸黑字写明哪些目录允许按规矩抓取。虽然上面的条款不具有强制法律效力，但礼貌的镜像操作按这个清单来，能更容易获得续传机会。

最后提醒一句，抄作业和偷劳动成果边界模糊。拷贝网站练手技术可以，真要把对方的设计图、文案、素材搬到自家项目里商用，风险极大。普通人动手之前至少看一眼页面底部有没有Copyright字样，有主的东西别碰。技术本身无罪，用的人心里得有杆秤。