У меня есть несколько веб-сайтов, которые я архивирую, чтобы сохранить там много связанных файлов, в частности, несколько PDF-файлов.
У меня не было проблем с использованием сканера Heritrix для сбора сайтов. Однако я не нашел хорошего решения для извлечения файлов из этих файлов .warc .
Есть ли у кого-то опыт с этим, или есть предпочтительный способ получить эти отдельные файлы?
Вы можете просматривать WARC с помощью Webarchive Player и сохранять нужные файлы из своего браузера. Кроме того, загрузите WARC в webrecorder.io и просмотрите / загрузите там.
Я предлагаю попробовать warctools https://github.com/internetarchive/warctools - это python lib, который очень прост в использовании.
Ранее я использовал 7-Zip для извлечения отдельных файлов или целых архивов из файлов формата Web Archive.
Это доступно на их сайте здесь.
