Apache Axis1.4 官网备份实战：wget 整站镜像与离线校验指南

简介：Apache Axis1.4 官网备份是一份面向 Java Web 服务开发者与教学研究者的历史版本资源包，用于在官方停止维护后仍能搭建 SOAP 服务端与客户端环境，适合需要复现早期 JAX-RPC、WSDL 自动代码生成等经典技术栈的读者。压缩包共 187 个文件，约 3.07MB，以 161 个 class 字节码和 12 个 jar 依赖库为主体，另含 4 个 jsp 页面、3 个 jws 服务脚本及 properties、xml、java 等配置与源码文件，覆盖 Axis 运行所需的类库、示例服务与部署描述。资源中保留了 InteropTest、AddressBook、StarWars 等互操作与示例绑定桩，可帮助理解 SOAP 消息编解码、附件传输与 WSDL 生成流程。目前已有 215 人学习下载，适合作为 Web 服务发展史研究、旧系统维护或课程实验的参考素材。

1. 官网备份这件事，为什么老项目越早做越省心

手里还跑着 Apache Axis1.4 的系统，多半是那种“动一发牵全身”的老资产：接口还在对外，调用方还在用，但官方站点早就不是当年的样子了。很多人第一次意识到问题，是某天想查一个wsdd配置项，发现官网文档链接打不开、示例文件下不下来，搜索引擎里翻出来的全是二手转载。这时候才想起来做官网备份，其实已经晚了一步。

Axis1.4 是 SOAP 时代的产物，它的官网备份不只是存几个 HTML 页面那么简单，真正值钱的是那批文档、示例、schema、jar 包和部署描述模板。对还在维护老 SOAP 服务的团队来说，这份备份就是离线救命包：内网不能出网时能查文档，官方源失效时能补依赖，新人接手时能对着原始示例跑通第一个客户端。这篇笔记就按“先想清楚备份什么、再怎么动手抓、最后怎么验证和长期维护”的顺序讲，适合还在跟 Axis1.4 打交道的一线开发和运维。

2. 先搞清楚 Axis1.4 官网备份到底要备什么：目录结构与资源清单

做备份最容易犯的错，是打开首页点“另存为”，以为整站就下来了。Axis1.4 这类老站点是典型的静态文档站加少量下载资源，页面之间靠相对链接串起来，直接另存只会得到一堆断链的 HTML。要备得完整，得先把它当成一个“资源集合”来拆。

2.1 官网的典型目录分层与每层价值

Axis1.4 官网的结构大致可以分成四层，每一层的备份策略不一样：

文档层和示例层是纯静态资源，用抓取工具就能拿下；下载层往往是二进制包，需要单独确认链接是否还有效；元数据层最容易被忽略，但排查“为什么这个版本行为不一样”时最有用。

2.2 判断哪些资源必须离线、哪些可以放弃

不是所有东西都值得占硬盘。我的判断标准是三条：第一，内网环境查不到的就是必须的，文档和示例优先；第二，构建和运行离不开的 jar 包必须留；第三，纯展示性的图片、样式能省则省，但要保证离线打开时页面结构不乱。

具体到 Axis1.4，必须离线的是：用户指南全文、wsdd部署描述示例、deploy.wsdd和undeploy.wsdd模板、核心 jar 列表、WSDL 生成相关的文档页。可以放弃的是：老版本的新闻页、过期的下载镜像列表、和当前版本无关的历史归档。把这份清单先写下来，后面抓取时才有验收标准，不然抓完一堆文件也不知道全不全。

2.3 备份前先固定一份资源清单文件

动手之前，先手工整理一份清单，哪怕只是纯文本。这份清单是后面校验的基准，也是团队交接时的说明。可以按下面的格式维护：

# axis1.4-backup-manifest.txt docs/user-guide.html 必须 用户指南 docs/reference.html 必须 API 参考 samples/deploy.wsdd 必须 部署描述示例 samples/undeploy.wsdd 必须 卸载描述示例 lib/axis.jar 必须 核心运行库 lib/wsdl4j.jar 必须 WSDL 解析依赖 lib/saaj.jar 可选 SOAP 附件支持

清单不用一次写全，抓取过程中发现新链接就补进去。关键是让“备份完整性”这件事有据可查，而不是凭感觉说“应该都下了”。

3. 用 wget 做整站镜像：命令、参数与断点续传

静态文档站最稳的抓取工具还是 wget，它支持递归、限速、断点续传，适合这种一次性镜像的场景。下面这套命令是我在多个老站点备份里反复用过的，改一下域名和路径就能套。

3.1 最小可用镜像命令

先跑一条保守的命令，把页面和必要资源拉下来，不追外链、不下载无关的大文件：

# 镜像 Axis1.4 文档站，限制递归深度，转换链接便于离线浏览 wget \ --recursive \ --level=5 \ --no-parent \ --page-requisites \ --convert-links \ --adjust-extension \ --restrict-file-names=windows \ --wait=1 \ --random-wait \ --tries=3 \ --timeout=20 \ --directory-prefix=./axis14-mirror \ https://example-axis-site/axis/1_4/

参数逐个说清楚：--recursive开启递归抓取；--level=5限制深度，防止顺着外链跑到无关站点；--no-parent保证不往上级目录爬；--page-requisites把页面依赖的 CSS、图片一起下；--convert-links把页面里的绝对链接改成相对链接，离线打开才不会跳回线上；--adjust-extension给没有后缀的页面补.html；--restrict-file-names=windows避免文件名里的特殊字符在跨平台时出问题；--wait和--random-wait控制频率，别把老站点打挂；--tries和--timeout处理不稳定连接；--directory-prefix指定输出目录。

3.2 断点续传与增量更新

整站抓取很少一次成功，中途断了要能接着来。wget 的-c支持续传，配合-N只抓更新过的文件，就能做增量：

# 断点续传 + 时间戳比对，只更新有变化的文件 wget \ --recursive \ --level=5 \ --no-parent \ --page-requisites \ --convert-links \ --adjust-extension \ --timestamping \ --continue \ --wait=1 \ --directory-prefix=./axis14-mirror \ https://example-axis-site/axis/1_4/

--timestamping会对比本地文件和服务器上的 Last-Modified，只下新的；--continue让中断的大文件接着下。这两个参数一起用，第二次跑就快很多。注意一点：如果服务器不返回 Last-Modified，--timestamping会退化成每次都下，这时候就别指望增量了，老老实实全量。

3.3 抓取日志与失败链接的处理

wget 默认把日志打到 stderr，建议重定向到文件，方便事后翻失败记录：

wget ... https://example-axis-site/axis/1_4/ 2>&1 | tee wget-axis14.log # 抓完后筛出失败和 404 grep -E "ERROR|404|failed" wget-axis14.log

日志里出现 404 不一定是坏事，老站点有大量失效链接很正常。关键是区分“页面本身没了”和“页面在但依赖丢了”。前者可以放弃，后者要单独补。我的习惯是抓完先看日志里的 404 列表，对照资源清单，确认必须项没有漏，再进入下一步。

4. 抓不到的部分怎么补：下载包、schema 与离线校验

wget 擅长抓页面，但遇到需要 POST、需要登录、或者干脆是二进制下载的链接，就容易漏。Axis1.4 的发行包和部分 schema 文件经常属于这一类，得手工补。

4.1 发行包与 jar 依赖的补全

发行包通常是 zip 或 tar.gz，链接可能指向一个下载页而不是直接文件。这种情况先用浏览器确认真实下载地址，再用 wget 单独拉：

# 单独下载发行包，不走递归 wget --no-check-certificate \ --tries=3 \ --timeout=30 \ -O axis1.4-bin.zip \ https://example-axis-site/downloads/axis1.4-bin.zip # 校验完整性，确认不是半截文件 unzip -t axis1.4-bin.zip

-O指定输出文件名，避免服务器返回的名字乱七八糟；unzip -t只测试不解压，能快速判断包是否完整。如果站点已经不给下载了，就去翻镜像站或团队内部的历史归档，但要注意版本一致性，别拿 1.3 的包冒充 1.4。

4.2 schema 与 wsdd 模板的离线整理

Axis1.4 的部署描述依赖一批 schema 和模板文件，这些文件散落在文档目录里，抓取时容易和页面混在一起。建议单独建一个目录，把*.wsdd、*.xsd、*.xml集中放：

# 从镜像目录里筛出配置和 schema 文件，集中归档 mkdir -p ./axis14-mirror/_config find ./axis14-mirror -type f \( -name "*.wsdd" -o -name "*.xsd" -o -name "*.xml" \) \ -exec cp {} ./axis14-mirror/_config/ \; ls -1 ./axis14-mirror/_config/

这样整理之后，离线查配置时不用在几百个 HTML 里翻，直接进_config目录就行。模板文件建议再手工过一遍，把里面写死的线上地址改成占位符，方便内网复用。

4.3 离线可用性校验：链接、编码与打开测试

抓完不等于能用。校验分三步：先查断链，再查编码，最后实际打开几个关键页面。

# 用 linkchecker 或简单脚本查本地断链 linkchecker --no-warnings ./axis14-mirror/index.html # 检查是否有乱码，老站点常用非 UTF-8 编码 file -i ./axis14-mirror/docs/user-guide.html

如果file -i显示iso-8859-1之类的编码，而页面里没有正确的 meta 声明，离线打开就会乱码。解决办法是在页面头部补一行<meta charset="...">，或者用工具批量转码。最后一定要用浏览器实际打开首页和用户指南，点几个内部链接，确认--convert-links生效了，没有跳回线上。

提示：校验这一步别省。我见过太多备份包，文件数量看着很全，真到内网打开时一半链接是死的，等于白抓。

5. 避坑与常见问题：备份 Axis1.4 官网时最容易翻车的几件事

这一章按“现象 → 原因 → 解决”写，都是实际抓取时反复遇到的。

5.1 抓下来一堆文件，打开首页却是空白或乱码

现象：镜像目录里文件不少，但浏览器打开首页一片空白，或者中文全是问号。

原因：老站点多用ISO-8859-1或GBK编码，页面里没有声明，浏览器按默认编码解析就乱了；另一种情况是--convert-links没生效，页面依赖的 CSS 路径还是绝对路径，离线加载不到。

解决：先用file -i确认编码，批量转成 UTF-8 或在页面补 meta 声明；再检查 HTML 里的链接是不是相对路径，不是的话重新跑一次带--convert-links的抓取。别手工改几个页面就完事，要批量处理。

5.2 递归抓取跑飞，把整个域名甚至外站都拉下来了

现象：本来只想抓/axis/1_4/，结果硬盘里多出几百 MB 无关内容，甚至包含别的站点。

原因：没加--no-parent和--level，wget 顺着链接一路爬出去了；或者页面里有指向外部域名的资源，被--page-requisites一起下了。

解决：抓取前一定加--no-parent限制在目标目录内，用--level控制深度；如果确实需要跨目录，用--include-directories白名单，而不是放开递归。已经抓飞的，按目录清理，别直接删整个镜像。

5.3 下载的发行包解压报错，jar 包不完整

现象：unzip -t报 CRC 错误，或者解压出来的 jar 大小明显不对。

原因：下载中断没续传，或者服务器返回的是错误页面而不是真实文件（常见于链接失效时返回一个 HTML 错误页，但 wget 照样存成 zip）。

解决：先看文件头，file axis1.4-bin.zip如果显示 HTML 而不是 Zip archive，说明下到的是错误页；确认链接有效后加--continue重下，下完必须unzip -t验证。jar 包建议再核对一下大小和官方清单是否一致。

5.4 增量更新把旧文件覆盖成新版本，版本对不上了

现象：第二次跑增量抓取后，文档内容和之前不一致，排查问题时对不上版本。

原因：--timestamping只按时间判断，如果服务器上的文件被更新过（哪怕只是重新生成），本地就会被覆盖，而你可能并不想要新版本。

解决：备份老项目时，版本一致性比“最新”更重要。建议第一次全量抓完后，把镜像目录打成带日期的压缩包存档，后续增量抓到新目录，不要直接覆盖旧镜像。需要哪个版本就用哪个包。

5.5 内网使用时发现关键页面缺失，但日志里没有报错

现象：抓取日志干净，但内网查某个配置项时发现对应页面根本不在镜像里。

原因：那个页面是通过 JavaScript 动态加载的，或者需要点击某个按钮才触发请求，wget 只抓静态 HTML，拿不到动态内容。

解决：先用浏览器开发者工具看网络请求，确认页面是静态还是动态。动态内容要么手工另存，要么用能执行 JS 的工具补抓。Axis1.4 大部分文档是静态的，但少数交互式页面确实会漏，验收时按资源清单逐个点一遍最稳。

6. 让备份长期可用：目录规范、校验脚本与版本归档

备份做完不是终点，老项目的维护周期可能还有好几年，得让这份镜像长期可查、可更新、可交接。

6.1 一套能交接的目录规范

我习惯把镜像按下面的结构组织，新人接手一眼能看懂：

axis14-backup/ ├── mirror/ # wget 抓取的原始镜像 ├── _config/ # 集中归档的 wsdd、xsd、xml ├── _packages/ # 发行包和 jar 依赖 ├── _manifest/ # 资源清单和校验记录 └── README.md # 备份说明：来源、日期、已知缺失

README.md里写清楚三件事：这份备份是什么时候从哪抓的、哪些资源确认完整、哪些已知缺失。别小看这几行字，半年后自己都未必记得当时的情况。

6.2 一个简单的完整性校验脚本

每次更新镜像后跑一遍校验，确认关键文件都在：

#!/usr/bin/env bash # check-axis14-backup.sh：按清单校验关键文件是否存在 set -euo pipefail MIRROR="./axis14-backup" MANIFEST="./axis14-backup/_manifest/required-files.txt" missing=0 while IFS= read -r line; do # 跳过空行和注释 [[ -z "$line" || "$line" == \#* ]] && continue f=$(echo "$line" | awk '{print $1}') if [[ ! -e "$MIRROR/$f" ]]; then echo "缺失: $f" missing=$((missing + 1)) fi done < "$MANIFEST" if [[ $missing -eq 0 ]]; then echo "校验通过：所有关键文件都在" else echo "校验失败：共缺失 $missing 个文件" exit 1 fi

脚本逻辑很简单：逐行读清单，检查文件是否存在，最后汇总。set -euo pipefail保证出错就停，不会带着错误继续跑。清单文件就是第 2 章那份，维护好它，校验才有意义。

6.3 版本归档与定期复检的习惯

最后说一个我自己的习惯：每次对镜像做较大更新后，打一个带日期的压缩包存起来，命名用axis14-backup-YYYYMMDD.tar.gz。这样即使后续增量抓取出问题，也能回退到上一个可用版本。另外每隔半年左右复检一次，确认压缩包没损坏、关键文件还能打开。

老项目的备份，价值不在抓的那一刻，而在两年后还有人能靠它把问题查清楚。把目录规范、校验脚本和归档习惯定下来，这份 Axis1.4 官网备份才算真正可用。希望帮到你。

本文还有配套的精品资源，点击获取