怎样把整个网站的HTML源码保存？整站下载保存教程-html教程-PHP中文网

真正保存整站html源码需递归抓取所有.html页面原始响应体，推荐wget命令：--recursive --accept html,htm --convert-links --domains等参数确保完整、可用、合规；固定url列表则用curl批量下载。

怎样把整个网站的html源码保存？整站下载保存教程

不能靠“另存为”或复制 Elements 里的 outerHTML —— 那只是单页渲染结果，不是整站源码。真正保存整个网站的 HTML 源码，本质是递归抓取所有可访问的 .html 页面及其原始响应体，同时处理链接跳转、路径重写和资源隔离。关键在工具选型和参数控制，否则会漏页、断链、乱码或卡死在登录/反爬环节。

用 wget 递归下载整站 HTML（最常用且可控）

这是命令行下最可靠的方式，尤其适合静态站点或已知路径结构的网站。它能自动发现并下载所有 .html、.htm 文件，并保留原始服务器返回的 HTML 源码（不含 JS 渲染后的内容）。

wget --recursive --no-clobber --page-requisites --html-extension --convert-links --restrict-file-names=windows --domains example.com --accept html,htm https://example.com
--recursive 启用递归抓取，但默认只抓同一域名下的链接；跨子域需加 --span-hosts
--accept html,htm 是关键过滤项，避免把 PDF、ZIP、图片等无关文件一并拖下来
--convert-links 把页面中所有绝对 URL（如 https://example.com/about.html）改成相对路径（如 about.html），否则本地双击打开时资源 404
若目标站用了 CDN 加载 JS/CSS（比如 https://cdn.example.net/main.js），必须加 --span-hosts --domains example.com,cdn.example.net
遇到 robots.txt 拒绝访问？加 --ignore-robots，但请先确认你有权限抓取

curl + 脚本批量下载指定 URL 列表

当你要保存的是已知的几十个固定页面（比如 CMS 导出的 URL CSV），比递归更干净、可控，也不会误触敏感路径。

html-ppt-to-pdf

将使用 `

` 约定的 HTML 幻灯片转换为高保真、矢量文本 PDF（使用 Playwright + Chromium 原生 PDF 功能）。

下载

准备一个 urls.txt，每行一个 URL：https://example.com/index.html、https://example.com/contact.html
Linux/macOS 下执行：while read url; do curl -sSL "$url" -o "$(basename "$url")"; done
Windows PowerShell 可用：Get-Content urls.txt | ForEach-Object { curl.exe -sSL $_ -o "$($_ | Split-Path -Leaf)" }
注意：curl 默认不带 User-Agent，部分网站会返回 403；加 -H "User-Agent: Mozilla/5.0" 可绕过
中文页面易乱码？加 --remote-header-name 并检查响应头中的 charset，必要时用 iconv 转码

动态 SPA 网站（React/Vue）无法用 wget 抓到真实 HTML？

因为这类网站首页返回的 HTML 几乎是空壳，真实内容由 JS 异步拉取并渲染。wget 只拿到骨架，没数据——这不是工具问题，是架构决定的。

先确认是否真为 SPA：打开开发者工具 → Network → 刷新 → 看 Doc 请求返回的 HTML 里有没有关键文字；再看 XHR/Fetch 请求是否加载了 JSON 数据
若需保存「渲染后」的完整 HTML（含 JS 插入的内容），必须用浏览器自动化工具，比如 Puppeteer 或 Selenium
简单示例（Puppeteer）：await page.goto('https://example.com'); await page.waitForNetworkIdle(); const html = await page.content(); fs.writeFileSync('page.html', html);
但注意：page.content() 返回的是当前 DOM 快照，不是原始 HTTP 响应；且无法自动跳转抓取子页面，得自己解析 <a></a> 标签并递归调用
想全自动抓整站？得结合 sitemap.xml、预渲染服务（Prerender.io）或 SSR 配置，否则纯前端 SPA 天然不适合“整站源码下载”

常见失败原因和绕过要点

90% 的“下载失败”不是工具不行，而是忽略了协议、权限或路径细节。

用 file:// 协议双击打开本地 HTML？浏览器会禁用 XMLHttpRequest 和 fetch，导致 JS 加载失败、CSS 不生效——改用 python3 -m http.server 8000 启一个本地服务再访问
保存下来的 HTML 里路径还是绝对地址（href="/css/style.css"）？说明 --convert-links 没生效，可能因为页面用了 <base href="...">，需手动删掉或替换
下载后打开全是乱码？不是编码问题，而是原始响应头声明了 charset=gbk，但你用 UTF-8 打开；查 curl -I https://example.com 看 Content-Type，再用对应编码保存
某些页面返回 403/406？检查是否被识别为爬虫；加 --user-agent、--header "Accept: text/html"，甚至加 --cookies-from-browser（wget 1.21+）复用登录态