有没有办法从 Google cached 中把一个站点的页面 down 下来？

[rrfeng]

比如一个已经撤掉的页面，没有办法直接访问了，可以搜索
关键字 site:xxx.yyy.com
可以下载到缓存的版本。

实际的需求是，我不知道到这些页面里有什么关键字，而且要批量的 down 下来。

[alexrezit]

试试 archive.org 呢?

[muzuiget]

如果是博客类的站点，找它的 feed，然后在 Google Reaqder 里扒出来

http://www.google.com/reader/atom/feed/${feed_url}?n=9999

不然得话就得自己用 Python 之类的语言自己写个爬虫了，把快照页面里的链接一个个再替换成快照地址，一直递归下去。

如果不是下载仅是浏览的话，我已经写过一个油猴脚本了

http://userscripts.org/scripts/show/40822

[rrfeng]

@muzuiget
之前找了半天 takeout 里没有导出文章内容的选项，原来这样啊～

还有一个问题，假如我订阅 rss 的时候，某篇文章已经被删除了，GR 也不会有这篇文章的吧？

[csx163]

@rrfeng 被删了也有这篇文章的

[rrfeng]

@muzuiget
one more question
这个链接导出来的是 GR 专有的 xml 格式么？有没有简单的办法还原成视觉友好的页面？

所谓简单就是 比如加个<rss></rss>标签，chrome 就可以解析了这种

没有就只能自己写程序转一下了。。。

====================
看来真的是很特别的xml

[muzuiget]

@rrfeng GR 的那个地址也是一个标准的 feed，相当于备份 + 合烧。

[rrfeng]

@muzuiget
准备拿python练手，把它转成html了。
不过还是不全呢，blog有200+，GR 里只有不到100文章