Я хочу загрузить все государственные расходы свыше 500 фунтов стерлингов Министерством энергетики и изменения климата. Это файлы .xls и .xlsx, генерируемые один раз в месяц. Они хранятся в таких местах, как это:
https: // www.gov.uk/government/uploads/system/uploads/attachment_data/file/209425/20130627_April_2013_PUS_.xls
где число после файла является уникальным числом, а имя файла не имеет согласованности именования. Эти файлы связаны с отдельными ежемесячными страницами, которые имеют форму:
https: // www.gov.uk/government/publications/departmental-spend-over-500-april-2013
который в свою очередь ссылается на страницу индекса, которая:
https://www.gov.uk/government/collections/departmental-spend-over-500
Эта команда работает:
wget -r --force-html -e robots=off -A xls,xlsx,"" -l 2
https://www.gov.uk/government/collections/departmental-spend-over-500
но наряду с файлами .xls и .xlsx я получаю полный каталог сайта .gov.uk (с глубиной двух ссылок, с которого я начал), который загружает ~ 100 МБ текстовых / html-файлов, отличных от .xls что немного чрезмерно Итак, мой вопрос:
Как я могу сделать wget только источник из каталогов выше или альтернативно исключить очевидные, которые я не хочу?
Я пробовал очевидные команды -I и -X, -D и т.д., но безуспешно. NB. Я должен был включить "", а также файлы xls в ключ -A, иначе он игнорировал бы связывающие файлы html ...
Любой совет с благодарностью получен! Это на Mac, кстати.