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：
- wget [选项]... [URL]...
Wget的参数手册
- 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）：
- GNU Wget 1.13.4，非交互式的网络文件下载工具。
- 用法： wget [选项]... [URL]...
- 长选项所必须的参数在使用短选项时也是必须的。
- 启动：
- -V, --version 显示 Wget 的版本信息并退出。
- -h, --help 打印此帮助。
- -b, --background 启动后转入后台。
- -e, --execute=COMMAND 运行一个“.wgetrc”风格的命令。
- 日志和输入文件：
- -o, --output-file=FILE 将日志信息写入 FILE。
- -a, --append-output=FILE 将信息添加至 FILE。
- -d, --debug 打印大量调试信息。
- -q, --quiet 安静模式 (无信息输出)。
- -v, --verbose 详尽的输出 (此为默认值)。
- -nv, --no-verbose 关闭详尽输出，但不进入安静模式。
- -i, --input-file=FILE 下载本地或外部 FILE 中的 URLs。
- -F, --force-html 把输入文件当成 HTML 文件。
- -B, --base=URL 解析与 URL 相关的
- HTML 输入文件 (由 -i -F 选项指定)。
- --config=FILE Specify config file to use.
- 下载：
- -t, --tries=NUMBER 设置重试次数为 NUMBER (0 代表无限制)。
- --retry-connrefused 即使拒绝连接也是重试。
- -O, --output-document=FILE 将文档写入 FILE。
- -nc, --no-clobber skip downloads that would download to
- existing files (overwriting them).
- -c, --continue 断点续传下载文件。
- --progress=TYPE 选择进度条类型。
- -N, --timestamping 只获取比本地文件新的文件。
- --no-use-server-timestamps 不用服务器上的时间戳来设置本地文件。
- -S, --server-response 打印服务器响应。
- --spider 不下载任何文件。
- -T, --timeout=SECONDS 将所有超时设为 SECONDS 秒。
- --dns-timeout=SECS 设置 DNS 查寻超时为 SECS 秒。
- --connect-timeout=SECS 设置连接超时为 SECS 秒。
- --read-timeout=SECS 设置读取超时为 SECS 秒。
- -w, --wait=SECONDS 等待间隔为 SECONDS 秒。
- --waitretry=SECONDS 在获取文件的重试期间等待 1..SECONDS 秒。
- --random-wait 获取多个文件时，每次随机等待间隔
- 0.5*WAIT...1.5*WAIT 秒。
- --no-proxy 禁止使用代理。
- -Q, --quota=NUMBER 设置获取配额为 NUMBER 字节。
- --bind-address=ADDRESS 绑定至本地主机上的 ADDRESS (主机名或是 IP)。
- --limit-rate=RATE 限制下载速率为 RATE。
- --no-dns-cache 关闭 DNS 查寻缓存。
- --restrict-file-names=OS 限定文件名中的字符为 OS 允许的字符。
- --ignore-case 匹配文件/目录时忽略大小写。
- -4, --inet4-only 仅连接至 IPv4 地址。
- -6, --inet6-only 仅连接至 IPv6 地址。
- --prefer-family=FAMILY 首先连接至指定协议的地址
- FAMILY 为 IPv6，IPv4 或是 none。
- --user=USER 将 ftp 和 http 的用户名均设置为 USER。
- --password=PASS 将 ftp 和 http 的密码均设置为 PASS。
- --ask-password 提示输入密码。
- --no-iri 关闭 IRI 支持。
- --local-encoding=ENC IRI (国际化资源标识符) 使用 ENC 作为本地编码。
- --remote-encoding=ENC 使用 ENC 作为默认远程编码。
- --unlink remove file before clobber.
- 目录：
- -nd, --no-directories 不创建目录。
- -x, --force-directories 强制创建目录。
- -nH, --no-host-directories 不要创建主目录。
- --protocol-directories 在目录中使用协议名称。
- -P, --directory-prefix=PREFIX 以 PREFIX/... 保存文件
- --cut-dirs=NUMBER 忽略远程目录中 NUMBER 个目录层。
- HTTP 选项：
- --http-user=USER 设置 http 用户名为 USER。
- --http-password=PASS 设置 http 密码为 PASS。
- --no-cache 不在服务器上缓存数据。
- --default-page=NAME 改变默认页
- (默认页通常是“index.html”)。
- -E, --adjust-extension 以合适的扩展名保存 HTML/CSS 文档。
- --ignore-length 忽略头部的‘Content-Length’区域。
- --header=STRING 在头部插入 STRING。
- --max-redirect 每页所允许的最大重定向。
- --proxy-user=USER 使用 USER 作为代理用户名。
- --proxy-password=PASS 使用 PASS 作为代理密码。
- --referer=URL 在 HTTP 请求头包含‘Referer: URL’。
- --save-headers 将 HTTP 头保存至文件。
- -U, --user-agent=AGENT 标识为 AGENT 而不是 Wget/VERSION。
- --no-http-keep-alive 禁用 HTTP keep-alive (永久连接)。
- --no-cookies 不使用 cookies。
- --load-cookies=FILE 会话开始前从 FILE 中载入 cookies。
- --save-cookies=FILE 会话结束后保存 cookies 至 FILE。
- --keep-session-cookies 载入并保存会话 (非永久) cookies。
- --post-data=STRING 使用 POST 方式；把 STRING 作为数据发送。
- --post-file=FILE 使用 POST 方式；发送 FILE 内容。
- --content-disposition 当选中本地文件名时
- 允许 Content-Disposition 头部 (尚在实验)。
- --auth-no-challenge 发送不含服务器询问的首次等待
- 的基本 HTTP 验证信息。
- HTTPS (SSL/TLS) 选项：
- --secure-protocol=PR 选择安全协议，可以是 auto、SSLv2、
- SSLv3 或是 TLSv1 中的一个。
- --no-check-certificate 不要验证服务器的证书。
- --certificate=FILE 客户端证书文件。
- --certificate-type=TYPE 客户端证书类型，PEM 或 DER。
- --private-key=FILE 私钥文件。
- --private-key-type=TYPE 私钥文件类型，PEM 或 DER。
- --ca-certificate=FILE 带有一组 CA 认证的文件。
- --ca-directory=DIR 保存 CA 认证的哈希列表的目录。
- --random-file=FILE 带有生成 SSL PRNG 的随机数据的文件。
- --egd-file=FILE 用于命名带有随机数据的 EGD 套接字的文件。
- FTP 选项：
- --ftp-user=USER 设置 ftp 用户名为 USER。
- --ftp-password=PASS 设置 ftp 密码为 PASS。
- --no-remove-listing 不要删除‘.listing’文件。
- --no-glob 不在 FTP 文件名中使用通配符展开。
- --no-passive-ftp 禁用“passive”传输模式。
- --retr-symlinks 递归目录时，获取链接的文件 (而非目录)。
- 递归下载：
- -r, --recursive 指定递归下载。
- -l, --level=NUMBER 最大递归深度 (inf 或 0 代表无限制，即全部下载)。
- --delete-after 下载完成后删除本地文件。
- -k, --convert-links 让下载得到的 HTML 或 CSS 中的链接指向本地文件。
- -K, --backup-converted 在转换文件 X 前先将它备份为 X.orig。
- -m, --mirror -N -r -l inf --no-remove-listing 的缩写形式。
- -p, --page-requisites 下载所有用于显示 HTML 页面的图片之类的元素。
- --strict-comments 用严格方式 (SGML) 处理 HTML 注释。
- 递归接受/拒绝：
- -A, --accept=LIST 逗号分隔的可接受的扩展名列表。
- -R, --reject=LIST 逗号分隔的要拒绝的扩展名列表。
- -D, --domains=LIST 逗号分隔的可接受的域列表。
- --exclude-domains=LIST 逗号分隔的要拒绝的域列表。
- --follow-ftp 跟踪 HTML 文档中的 FTP 链接。
- --follow-tags=LIST 逗号分隔的跟踪的 HTML 标识列表。
- --ignore-tags=LIST 逗号分隔的忽略的 HTML 标识列表。
- -H, --span-hosts 递归时转向外部主机。
- -L, --relative 只跟踪有关系的链接。
- -I, --include-directories=LIST 允许目录的列表。
- --trust-server-names use the name specified by the redirection
- url last component.
- -X, --exclude-directories=LIST 排除目录的列表。
- -np, --no-parent 不追溯至父目录。
- 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：
- cd 下载
- mkdir temp
- 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：
- 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：
- 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：
- 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：
- 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：
- 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）
- 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：
- 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 ：
- http://learnshare.duapp.com/web/pages/css/2.3-1.html
- http://learnshare.duapp.com/web/pages/css/2.3-2.html
- http://learnshare.duapp.com/web/pages/css/2.3-3.html
- http://learnshare.duapp.com/web/pages/css/2.3-4.html
执行命令：
- 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：
- 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：
- 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：
- 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：
- 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：
- 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：
- 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：
- 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：
- 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：
- 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：
- 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：
- 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：
- 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：
- 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：
- 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：
- 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。
