wget 使用探索

概述

 

Wget 是Linux下的命令行工具，用来下载文件或镜像网站，支持HTTP/HTTPS/FTP协议。大部分Linux发行版中均包含Wget工具。Wget也有Windows上的移植版（轻功走起，或直接下载）。

（本文的试验环境：LinuxMint 14 中文版，GNU Wget 1.13.4 中文版）

 

Wget的参数格式

 

Wget的参数格式为：

[cpp] view plaincopy
 
  1. wget [选项]... [URL]...  
 

Wget的参数手册

 
打开终端，输入：

 

[cpp] view plaincopy
 
  1. wget -h  

可查看Wget的使用帮助（为方便使用英文版的同学，提供如下）：

 

[cpp] view plaincopy
 
  1. GNU Wget 1.13.4，非交互式的网络文件下载工具。  
  2. 用法： wget [选项]... [URL]...  
  3.   
  4. 长选项所必须的参数在使用短选项时也是必须的。  
  5.   
  6. 启动：  
  7.   -V,  --version           显示 Wget 的版本信息并退出。  
  8.   -h,  --help              打印此帮助。  
  9.   -b,  --background        启动后转入后台。  
  10.   -e,  --execute=COMMAND   运行一个“.wgetrc”风格的命令。  
  11.   
  12. 日志和输入文件：  
  13.   -o,  --output-file=FILE    将日志信息写入 FILE。  
  14.   -a,  --append-output=FILE  将信息添加至 FILE。  
  15.   -d,  --debug               打印大量调试信息。  
  16.   -q,  --quiet               安静模式 (无信息输出)。  
  17.   -v,  --verbose             详尽的输出 (此为默认值)。  
  18.   -nv, --no-verbose          关闭详尽输出，但不进入安静模式。  
  19.   -i,  --input-file=FILE     下载本地或外部 FILE 中的 URLs。  
  20.   -F,  --force-html          把输入文件当成 HTML 文件。  
  21.   -B,  --base=URL            解析与 URL 相关的  
  22.                              HTML 输入文件 (由 -i -F 选项指定)。  
  23.        --config=FILE         Specify config file to use.  
  24.   
  25. 下载：  
  26.   -t,  --tries=NUMBER            设置重试次数为 NUMBER (0 代表无限制)。  
  27.        --retry-connrefused       即使拒绝连接也是重试。  
  28.   -O,  --output-document=FILE    将文档写入 FILE。  
  29.   -nc, --no-clobber              skip downloads that would download to  
  30.                                  existing files (overwriting them).  
  31.   -c,  --continue                断点续传下载文件。  
  32.        --progress=TYPE           选择进度条类型。  
  33.   -N,  --timestamping            只获取比本地文件新的文件。  
  34.   --no-use-server-timestamps     不用服务器上的时间戳来设置本地文件。  
  35.   -S,  --server-response         打印服务器响应。  
  36.        --spider                  不下载任何文件。  
  37.   -T,  --timeout=SECONDS         将所有超时设为 SECONDS 秒。  
  38.        --dns-timeout=SECS        设置 DNS 查寻超时为 SECS 秒。  
  39.        --connect-timeout=SECS    设置连接超时为 SECS 秒。  
  40.        --read-timeout=SECS       设置读取超时为 SECS 秒。  
  41.   -w,  --wait=SECONDS            等待间隔为 SECONDS 秒。  
  42.        --waitretry=SECONDS       在获取文件的重试期间等待 1..SECONDS 秒。  
  43.        --random-wait             获取多个文件时，每次随机等待间隔  
  44.                                  0.5*WAIT...1.5*WAIT 秒。  
  45.        --no-proxy                禁止使用代理。  
  46.   -Q,  --quota=NUMBER            设置获取配额为 NUMBER 字节。  
  47.        --bind-address=ADDRESS    绑定至本地主机上的 ADDRESS (主机名或是 IP)。  
  48.        --limit-rate=RATE         限制下载速率为 RATE。  
  49.        --no-dns-cache            关闭 DNS 查寻缓存。  
  50.        --restrict-file-names=OS  限定文件名中的字符为 OS 允许的字符。  
  51.        --ignore-case             匹配文件/目录时忽略大小写。  
  52.   -4,  --inet4-only              仅连接至 IPv4 地址。  
  53.   -6,  --inet6-only              仅连接至 IPv6 地址。  
  54.        --prefer-family=FAMILY    首先连接至指定协议的地址  
  55.                                  FAMILY 为 IPv6，IPv4 或是 none。  
  56.        --user=USER               将 ftp 和 http 的用户名均设置为 USER。  
  57.        --password=PASS           将 ftp 和 http 的密码均设置为 PASS。  
  58.        --ask-password            提示输入密码。  
  59.        --no-iri                  关闭 IRI 支持。  
  60.        --local-encoding=ENC      IRI (国际化资源标识符) 使用 ENC 作为本地编码。  
  61.        --remote-encoding=ENC     使用 ENC 作为默认远程编码。  
  62.        --unlink                  remove file before clobber.  
  63.   
  64. 目录：  
  65.   -nd, --no-directories           不创建目录。  
  66.   -x,  --force-directories        强制创建目录。  
  67.   -nH, --no-host-directories      不要创建主目录。  
  68.        --protocol-directories     在目录中使用协议名称。  
  69.   -P,  --directory-prefix=PREFIX  以 PREFIX/... 保存文件  
  70.        --cut-dirs=NUMBER          忽略远程目录中 NUMBER 个目录层。  
  71.   
  72. HTTP 选项：  
  73.        --http-user=USER        设置 http 用户名为 USER。  
  74.        --http-password=PASS    设置 http 密码为 PASS。  
  75.        --no-cache              不在服务器上缓存数据。  
  76.        --default-page=NAME     改变默认页  
  77.                                (默认页通常是“index.html”)。  
  78.   -E,  --adjust-extension      以合适的扩展名保存 HTML/CSS 文档。  
  79.        --ignore-length         忽略头部的‘Content-Length’区域。  
  80.        --header=STRING         在头部插入 STRING。  
  81.        --max-redirect          每页所允许的最大重定向。  
  82.        --proxy-user=USER       使用 USER 作为代理用户名。  
  83.        --proxy-password=PASS   使用 PASS 作为代理密码。  
  84.        --referer=URL           在 HTTP 请求头包含‘Referer: URL’。  
  85.        --save-headers          将 HTTP 头保存至文件。  
  86.   -U,  --user-agent=AGENT      标识为 AGENT 而不是 Wget/VERSION。  
  87.        --no-http-keep-alive    禁用 HTTP keep-alive (永久连接)。  
  88.        --no-cookies            不使用 cookies。  
  89.        --load-cookies=FILE     会话开始前从 FILE 中载入 cookies。  
  90.        --save-cookies=FILE     会话结束后保存 cookies 至 FILE。  
  91.        --keep-session-cookies  载入并保存会话 (非永久) cookies。  
  92.        --post-data=STRING      使用 POST 方式；把 STRING 作为数据发送。  
  93.        --post-file=FILE        使用 POST 方式；发送 FILE 内容。  
  94.        --content-disposition   当选中本地文件名时  
  95.                                允许 Content-Disposition 头部 (尚在实验)。  
  96.        --auth-no-challenge     发送不含服务器询问的首次等待  
  97.                                的基本 HTTP 验证信息。  
  98.   
  99. HTTPS (SSL/TLS) 选项：  
  100.        --secure-protocol=PR     选择安全协议，可以是 auto、SSLv2、  
  101.                                 SSLv3 或是 TLSv1 中的一个。  
  102.        --no-check-certificate   不要验证服务器的证书。  
  103.        --certificate=FILE       客户端证书文件。  
  104.        --certificate-type=TYPE  客户端证书类型，PEM 或 DER。  
  105.        --private-key=FILE       私钥文件。  
  106.        --private-key-type=TYPE  私钥文件类型，PEM 或 DER。  
  107.        --ca-certificate=FILE    带有一组 CA 认证的文件。  
  108.        --ca-directory=DIR       保存 CA 认证的哈希列表的目录。  
  109.        --random-file=FILE       带有生成 SSL PRNG 的随机数据的文件。  
  110.        --egd-file=FILE          用于命名带有随机数据的 EGD 套接字的文件。  
  111.   
  112. FTP 选项：  
  113.        --ftp-user=USER         设置 ftp 用户名为 USER。  
  114.        --ftp-password=PASS     设置 ftp 密码为 PASS。  
  115.        --no-remove-listing     不要删除‘.listing’文件。  
  116.        --no-glob               不在 FTP 文件名中使用通配符展开。  
  117.        --no-passive-ftp        禁用“passive”传输模式。  
  118.        --retr-symlinks         递归目录时，获取链接的文件 (而非目录)。  
  119.   
  120. 递归下载：  
  121.   -r,  --recursive          指定递归下载。  
  122.   -l,  --level=NUMBER       最大递归深度 (inf 或 0 代表无限制，即全部下载)。  
  123.        --delete-after       下载完成后删除本地文件。  
  124.   -k,  --convert-links      让下载得到的 HTML 或 CSS 中的链接指向本地文件。  
  125.   -K,  --backup-converted   在转换文件 X 前先将它备份为 X.orig。  
  126.   -m,  --mirror             -N -r -l inf --no-remove-listing 的缩写形式。  
  127.   -p,  --page-requisites    下载所有用于显示 HTML 页面的图片之类的元素。  
  128.        --strict-comments    用严格方式 (SGML) 处理 HTML 注释。  
  129.   
  130. 递归接受/拒绝：  
  131.   -A,  --accept=LIST               逗号分隔的可接受的扩展名列表。  
  132.   -R,  --reject=LIST               逗号分隔的要拒绝的扩展名列表。  
  133.   -D,  --domains=LIST              逗号分隔的可接受的域列表。  
  134.        --exclude-domains=LIST      逗号分隔的要拒绝的域列表。  
  135.        --follow-ftp                跟踪 HTML 文档中的 FTP 链接。  
  136.        --follow-tags=LIST          逗号分隔的跟踪的 HTML 标识列表。  
  137.        --ignore-tags=LIST          逗号分隔的忽略的 HTML 标识列表。  
  138.   -H,  --span-hosts                递归时转向外部主机。  
  139.   -L,  --relative                  只跟踪有关系的链接。  
  140.   -I,  --include-directories=LIST  允许目录的列表。  
  141.   --trust-server-names             use the name specified by the redirection  
  142.                                    url last component.  
  143.   -X,  --exclude-directories=LIST  排除目录的列表。  
  144.   -np, --no-parent                 不追溯至父目录。  
  145.   
  146. 请将错误报告或建议寄给 <bug-wget@gnu.org>。  

 

建立实验环境

 

继续执行命令，建立 下载/temp 作为实验的临时目录：

 

[cpp] view plaincopy
 
  1. cd 下载  
  2. mkdir temp  
  3. cd temp  

实验用的文件来自我 11 年编写的HTML/CSS教程（课件）。

 

单文件下载

下载单个文件

首先，来下载单个HTML文件：

[cpp] view plaincopy
 
  1. wget http://learnshare.duapp.com/web/pages/css/2.3-1.html  

文件 2.3-1.html 就被下载到 temp/目录里了。

这是Wget最简单的用法，仅提供文件URL，不使用任何附加参数。主要用来下载单个文件。

清空 temp/ 目录。

 

将日志输出到文件

执行上面的命令时，Wget将输出若干行[日志]（记录）信息。如果下载的文件较多，输出的日志信息也会很多，不方便浏览，我们可以将日志信息输出到指定的文件中：

[cpp] view plaincopy
 
  1. wget http://learnshare.duapp.com/web/pages/css/2.3-1.html -o log.txt  

日志信息将全部输出到 log.txt 文件中。

清空 temp/ 目录。

 

隐藏日志输出(安静模式)

如果不想看到任何日志信息，可以启用安静模式：

[cpp] view plaincopy
 
  1. wget -q http://learnshare.duapp.com/web/pages/css/2.3-1.html  

将不会看到任何日志信息输出到屏幕中。

清空 temp/ 目录。

 

指定下载文件的文件名

下载文件时，我们会需要将文件重命名：

[cpp] view plaincopy
 
  1. wget http://learnshare.duapp.com/web/pages/css/2.3-1.html -O load.html  

文件将被保存为 load.html 。

清空 temp/ 目录。

 

后台运行

下载大文件或多个文件时，可以让Wget运行在后台：

[cpp] view plaincopy
 
  1. wget -b http://ftp.gnu.org/gnu/gettext/gettext-0.18.2.tar.gz  

Wget将继续在后台下载文件（pid为4183，你的可能不同），并将日志输出到 wget-log 文件中。

 

续传未完成的下载

大文件下载经常会因为网络问题而失败，不过Wget支持断点续传，可以继续下载：

（此处直接结束后台进程，来人工制造下载失败）

[cpp] view plaincopy
 
  1. kill 4183  

进程结束后，文件下载中止，我们再次开启Wget来续传文件：

 

[cpp] view plaincopy
 
  1. wget -c http://ftp.gnu.org/gnu/gettext/gettext-0.18.2.tar.gz  

由于速度较慢，我们不再等待完成，Ctrl+z 结束进程。

清空 temp/ 目录。

 

导入URL列表进行下载

当我们需要下载多个文件时，批量下载就变得尤为重要。Wget可以下载本地或外部的文件中所有的URL，一种可用的列表格式是每个URL独占一行。

我们来下载下面一个列表文件 filelist.txt ：

[cpp] view plaincopy
 
  1. http://learnshare.duapp.com/web/pages/css/2.3-1.html  
  2. http://learnshare.duapp.com/web/pages/css/2.3-2.html  
  3. http://learnshare.duapp.com/web/pages/css/2.3-3.html  
  4. http://learnshare.duapp.com/web/pages/css/2.3-4.html  

执行命令：

 

[cpp] view plaincopy
 
  1. wget -i filelist.txt  

四个文件将被保存到 temp/ 目录中。

清空 temp/ 目录。

 

网页单页面下载

 

使用HTML文件作为文件列表

有时候，我们需要保存单个网页及其关联地CSS和图片等文件，可以将HTML文件作为输入文件：

[cpp] view plaincopy
 
  1. wget -i http://learnshare.duapp.com/web/pages/css/2.3-1.html -F  

文件 2.3-1.html 和 2.3-1.css 将被保存到 temp/ 目录中。

清空 temp/ 目录。

 

建立镜像目录

上一步虽然能够下载与HTML文件相关联的文件，但本地的存储目录与服务器上的不同，会影响我们离线浏览，所以我们来指定创建与服务器相同地镜像目录：

[cpp] view plaincopy
 
  1. wget -i http://learnshare.duapp.com/web/pages/css/2.3-1.html -F -x  

Wget在 temp/ 目录中建立了 learnshare.duapp.com/web/pages/css 目录，并按照服务器上的目录保存在本地。

清空 temp/ 目录。

与上面的命令等价的另一个命令：

[cpp] view plaincopy
 
  1. wget http://learnshare.duapp.com/web/pages/css/2.3-1.html --page-requisites  

清空 temp/ 目录。

我们下载的 2.3-1.html 文件，只有一个关联的CSS文件，但如果下载的关联文件较多时，比如 baidu.com 的首页，会是下面的样子：

[cpp] view plaincopy
 
  1. wget -i http://www.baidu.com/ -F -x  

这个操作将会下载到与 baidu.com/index.html 相关联的所有文件，包括其他的HTML，在 temp/ 目录生成了20个文件夹，这不是我们想要的。

清空 temp/ 目录。

 

忽略个别HTML tags

如果不想下载到某些关联文件，我们可以通过参数控制下载的文件格式：

[cpp] view plaincopy
 
  1. wget -i http://www.baidu.com/ -F -x --ignore-tags=a  

其中的 --ignore-tags= 后面可以写一个或多个禁止跟踪的 HTML tags（使用“,”分隔多个值），来屏蔽相关的超链接。

该操作会在 temp/ 目录生成两个文件夹，一个存放了 index.html ，另一个存放了相关的JS和图片。（前面的等价命令并不适用该页面，可能是因为 robots.txt ？）

我们可以在断开网络后，在浏览器中打开下载的百度首页，查看离线的效果如何。结果是，虽然我们下载了所有的相关文件，但页面的图片和样式均不正常，这是因为 index.html 中的URL未和本地的文件关联。

清空 temp/ 目录，并连接到网络。

 

关联本地文件(URL转换)

如何解决这个问题，手动修改吗？NO！Wget给我们提供了URL转换功能：

[cpp] view plaincopy
 
  1. wget -i http://www.baidu.com/ -F -x --ignore-tags=a -k  

-k 选项将指示Wget转换 index.html 中的URL指向本地文件（已设置忽略 a 标签），可以再次断开网络测试离线效果（非常完美）。

清空 temp/ 目录。

 

网站下载和网站目录下载

 

前面探索了使用Wget下载单文件和单页面地用法，后面再来探索一下我个人比较期待的网站离线功能（多页面下载）.

 

下载网站目录(递归下载)

下面来下载我的HTML/CSS教程全部文件，也就是 learnshare.duapp.com/web/ 目录：

[cpp] view plaincopy
 
  1. wget -r http://learnshare.duapp.com/web/  

该命令会按照网站原目录格式保存URL指定页面的所有相关文件，也就是递归下载。

了解Web结构的同学会知道，网站就是许多个相互连接的页面和文件构成的。（猜测）Wget会根据URL参数搜索指定的文件内容，下载与其关联的文件，并继续搜索这些文件，下载与其相关的其他文件，直到所有关联的文件都被下载到本地。

听起来是很不错的，一个命令就可以下载整个网站。不过这种想法是错误的。

清空 temp/ 目录。

为了演示这个想法错在那里，我们来下载Wget分页版的帮助文档：

[cpp] view plaincopy
 
  1. wget -r http://www.gnu.org/software/wget/manual/html_node/index.html  

我们仅仅是想下载 .../wget/manual/html_note/ 目录下的所有页面及相关文件，但是Wget几乎要将 www.gnu.org/ 下的所有也面都下载到本地了，所以我们用 Ctrl+z 中止下载。

清空 temp/ 目录。

 

禁止跟踪父目录

我们的实际需求是仅限于 manual/html_node/ 目录下的 *.html 文件，而且它们是纯HTML文档，没有关联的CSS、JS或图片，执行以下命令：

[cpp] view plaincopy
 
  1. wget -r http://www.gnu.org/software/wget/manual/html_node/index.html -np  

参数 -np 指定了Wget不跟踪至父目录中的页面。

清空 temp/ 目录。

我们再来实验另一个网站的下载效果：

[cpp] view plaincopy
 
  1. wget -r http://api.jquery.com/category/version/1.9/ -np  

该命令将下载 .../version/1.9/ 目录下的所有页面，但是因为设置了不跟踪父目录（-np），所以没有下载关联的CSS、JS和图片。

清空 temp/ 目录。

 

确保页面的完整性

我们还有一个 -p 参数来修正这个问题：

[cpp] view plaincopy
 
  1. wget -r http://api.jquery.com/category/version/1.9/ -np -p  

这样， .../version/1.9/ 目录中的两个页面及其关联的文件都被下载下来了。

清空 temp/ 目录。

当然，我们还可以使用 -k 参数，使文件中的URL指向本地文件，来保证其离线浏览的完整性：

[cpp] view plaincopy
 
  1. wget -r http://api.jquery.com/category/version/1.9/ -np -p -k  

文件下载完毕后，我们打开 .../1.9/index.html 查看一下。出现了两个问题：

1.base.css无法关联到：因为文件名为 base.css?v=1 ，导致浏览器将 ? 后的参数通过GET方式发送出去了……可以手动修改文件名，并修改 index.html 中的URL。（出现这个问题，应该归结于Wget的非文件URL转换存在缺陷）；

2.页面中部分图标无法显示，部分文字字体与原网页不同：这个问题是由于页面使用的自定义字体未下载到本地，可以手动下载（Wget可能还不能分析并下载CSS中定义的 @font-face 文件）。

【补充：字体文件已经下载到本地，仅仅是文件关联问题】

解决完这两个问题后，这个页面就非常完美了。

【补充：

        这两个问题同样可以使用下边介绍的 --adjust-extension 参数解决。该参数至少有三个功能：

        1.使用正确的扩展名保存文件；

        2.会同时修改文件相关的URL，使之指向该文件；

        3.会将URL中的特殊字符编码（如 ? 编码为 %3F），使之表现为单纯的路径名。

】

清空 temp/ 目录。

 

自动判断文件类型(扩展名)

我们再下载另一个网站，来检验以下Wget的整站下载效果如何。这个网站是PHP扩展开发及内核应用，一本刚刚翻译完成的书：

[cpp] view plaincopy
 
  1. wget -r http://www.walu.cc/phpbook/ -np -p -k  

下载完成后，我们在 .../phpbook/ 目录发现许多 .md 文件，用浏览器（我使用的是Chrome）打开，发现被解析为了纯文本，这是因为网站页面采用了Markdown编写并输出的，浏览器无法识别 .md 扩展名。

清空 temp/ 目录。

我们给命令增加一个 --adjust-extension 参数，使Wget通过Mime信息自动判断文件的扩展名：

[cpp] view plaincopy
 
  1. wget -r http://www.walu.cc/phpbook/ -np -p -k --adjust-extension  

这样，所有的 .md 文件会保存为 .md.html ，而且页面中的URL也会自动指向新的文件，同样完美。

清空 temp/ 目录。

 

验证下载效果

为了进一步验证Wget整站下载，我们来尝试一个稍复杂的网站，QtNetwork 5.0 的文档：

 

[cpp] view plaincopy
 
  1. wget -r http://qt-project.org/doc/qt-5.0/qtnetwork/qtnetwork-index.html -np -p -k --adjust-extension  


速度较慢，需要多等一会。下载完成后，总共有169个文件。经过断网测试，除了页面底部的内容显示错误（可能是因为JS未执行），其他的都是可以接受的。

 

via http://blog.csdn.net/sdlyhjq/article/details/8596303

posted on 2013-03-22 21:09  云化雨  阅读(1025)  评论(0)  编辑  收藏  举报

导航