文章来自LearnShare,转载请注明。
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的参数格式为:
wget [选项]... [URL]...
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 <[email protected]>。
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)。
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。
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。
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。
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。
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.gzWget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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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
经过以上的几十次探索和测试,我们掌握了Wget的基本和部分高级使用方法。
本文可以当作学习和参考的资料来使用,稍候将整理为PDF文档,供大家下载收藏。
【Linux入门系列】wget 使用探索.LearnShare.v 1.0.pdf
文章来自LearnShare,转载请注明。