我正在使用 HTTrack 下载一个网站，但结果参差不齐。多个目录返回了同一 HTML 文件的 2 个或更多版本。任何给定目录中的这些重复项可能包括：
- 一个名为 índice.html（注意重音符号 í）的文件在浏览器中显示为乱码。仔细研究后发现，这是一个扩展名不正确的 .z 存档，其中包含正确的 HTML 文件
- 一个名为 índice.html.z 的文件，它是一个包含该文件可读版本的档案
- 一个名为 índice-2.html 的文件，它是原始 índice.html 的良好版本，在浏览器中完全可读
- 一个名为 índice-2.html.z 的文件，它是一个包含相同文件的存档，但有时该文件的大小与第一个文件略有不同
- ETC
HTTrack 错误日志显示以下内容：
18:07:32 错误：“解压缩时出错”(-1)，链接为 example.com/conversación/índice.html
这是一个西班牙语网站，有些目录中有重音符号，文件名为 índice.html 而不是 index.html。这让我怀疑 HTTrack 搞乱下载的原因是重音符号，但我无法证明这一点，除了我下载了同一网站的英文版，没有任何问题。
总而言之，问题可能在于 URL 中的重音字符，或者与 HTTrack 处理 gzip 压缩的 HTML 文件的方式相关的其他问题，但我的主要问题仍然是一样的：
这是 HTTrack 中的错误还是预期行为？我该如何解决它才能成功下载该网站的西班牙语版本？
答案1
正如您所怀疑的，这可能是由重音字符引起的。这个开放的错误似乎是相关的。
似乎是由 .whtt 标题中的中文文本引起的。有时中文文本会导致 Winhttrack 在与 .whtt 文件相同的文件夹中创建一些垃圾编码文件夹。在这些情况下，下载文件夹中会留下 .html.z 文件，有时会留下 .delayed 或空文件，并出现“解压时出错”消息。
当我使用纯 ASCII 项目名称重试 sam URL 时，成功了。
因此，这似乎是一个编码问题（在某些早期版本中并不存在）。
建议：
- 尝试一下
--utf8-conversion旗帜。 - 如果这不起作用，请尝试下载该程序的早期版本（因为错误报告者声称某些早期版本没有出现该问题）。
或者，使用
wget类似wget -mkp -np -nH www.example.com/path/to/toplevel/directory/index.html将递归复制
index.html目录下的所有链接到的页面example.com/path/to/toplevel/directory/。它还包括支持这些文件所需的任何文件（CSS、JS 等）。笔记：如果 wget 破坏了重音文件名，请使用该选项
--restrict-file-names=nocontrol
近似重复的文件
至于近似重复文件的问题，HTTrack（或 wget）实际上无法对此做任何事情，除非您能告诉它如何选择应该和不应该下载哪些文件。
如果存在某种一致的命名方案，并且您知道不想要具有特定名称和/或路径的文件，则可以使用过滤器将其排除。
HTTrack 允许使用以下方式排除文件过滤器. 这些是以 为前缀的通配符模式
-，例如过滤器-www.example.com/path/to/toplevel/directory/subdir_with_dupes/*-2.html将排除子目录中所有
subdir_with_dupes/以 结尾的文件-2.html。过滤器中可以使用各种通配符和扫描规则。请参阅上面的链接或手册页。如果您使用 wget，您可以使用 排除目录，
--exclude-directories并使用 排除文件名后缀--reject（允许通配符）。或者，您可以使用 将正则表达式过滤器应用于整个 URL--reject-regex。还有许多其他选项。您可以使用 获取列表，wget --help并使用 获取说明man wget。