Aspiration de sites avec httrack

Httrack est un célèbre aspirateur de sites web.

Les sites volumineux (le forum et la documentation Ubuntu-fr compris), ne doivent pas être aspirés automatiquement, sous peine de blocage de votre adresse IP par le site. L'aspiration de sites doit respecter une certaine éthique et doit être utilisée uniquement lorsqu'il y a un besoin d'accéder à des contenus hors lignes. L'aspiration demande au site visé des ressources matérielles bien plus importante que le simple affichage d'une page web. Demandez l'autorisation au webmaster avant de procéder ! N'oublions pas non plus les problématiques liées à la propriété intellectuelle.

Il existe deux versions de httrack :

• La version de base : installez le paquet httrack (dépôt Universe).
• La version graphique, qui va utiliser votre navigateur préféré : installez le paquet webhttrack (dépôt Universe).

Votre navigateur doit être fermé avant de lancer webhttrack.

Nous allons nous intéresser ici à la version graphique, disponible dans le menu Internet ⇒ « WebHTTrack Website Copier »

webhttrack

Votre navigateur ouvre alors un nouvel onglet.

• Choisissez la langue (Français) ;
• Faites « Suivant » ;
• Choisissez le nom du projet, la catégorie et surtout le dossier ;
• Choisissez « Copie Automatique de Site-web », et entrez l'adresse du site dans la case ;
• Faites « Suivant » puis « Terminer » ;
• C'est fait !

Des options plus avancées sont disponibles. N'hésitez-pas à expérimenter ! Par exemple, si vos sites aspirés présentent des défauts dans les images téléchargées, cela peut venir du nombre de connexions - options, onglet contrôle du flux - trop importantes. Ramener à 2 ou 1.

Crée un miroir :

httrack --mirror http://www.monsite.com

Mettre à jour le projet courant :

httrack --update

Nettoyage du cache et fichier log :

httrack --clean

• Site officiel