Linux使用 wget 下载整个网站及断点续传、后台运行

wget 是用于从网站下载资源的 Linux 命令,基本用法是 wget url:

wget http://www.w3schools.com/

一般来说,网站的页面会有很多链接,点击之后可以链接到其他页面,其他页面也可能有链接,就这样一级一级链接下去,如果要把这些所有关联的页面都下载下来,用法是:

wget -r http://www.w3schools.com/

但是大部分网站不允许你下载所有网站的内容,如果网站检测不到浏览器标识,会拒绝你的下载连接或者给你发送回一个空白网页。这个时候在 wget 后面加上 user-agent 就可以:

wget -r -p -U Mozilla http://www.w3schools.com/

为了避免被网站加入黑名单,我们可以限制下载的速度以及两次下载之间的等待时间:

wget --wait=20 --limit-rate=20K -r -p -U Mozilla http://www.w3schools.com/

如何只是想下载特定文件夹下的网页,使用 --no-parent:

//只下载 `/js` 下的所有页面
wget --wait=20 --limit-rate=20K --no-parent -r -p -U Mozilla http://www.w3schools.com/js/default.asp

更多内容请参考 GNU Wget Manual

断点续传

wget -O   wordpress.zip http://www.linuxde.net/download.aspx?id=1080

下载文件在指定位置并进行重命名

-O file
--output-document=file
The documents will not be written to the appropriate files, but all will be concatenated
together and written to file.  If - is used as file, documents will be printed to standard
output, disabling link conversion.  (Use ./- to print to a file literally named -.)

wget -c  断点续传,连续下

-c        --continue            Continue getting a partially-downloaded file.  This is useful when you want to finish up a            download started by a previous instance of Wget, or by another program.  For instance:

wget -c ftp://sunsite.doc.ic.ac.uk/ls-lR.Z

wget限速下载 wget --limit-rate=300k http://www.linuxde.net/testfile.zip
wget --limit-rate=330k

使用wget后台下载 wget -b    http://www.linuxde.net/testfile.zip Continuing in background, pid 1840. Output will be written to `wget-log'.
-b 后台下载

[root@gitlab 40team]# wget --spider www.baidu.com
开启 Spider 模式。检查是否存在远程文件。
--2017-11-30 13:05:36--  http://www.baidu.com/
正在解析主机 www.baidu.com (www.baidu.com)... 111.13.100.92, 111.13.100.91
正在连接 www.baidu.com (www.baidu.com)|111.13.100.92|:80... 已连接。
已发出 HTTP 请求,正在等待回应... 200 OK
长度:277 [text/html]
存在远程文件且该文件可能含有更深层的链接,
但不能进行递归操作 -- 无法获取。

wget -r -p -np -k -bc  -e robots=off -k -E  --user-agent="Chrome/10.0.648.204"    --no-check-certificate -o abc.wap.log https://m.abc.com/

wget -r -p -np -k -bc  -e robots=off -k -E  --user-agent="Chrome/10.0.648.204"    --no-check-certificate -o abc.www.log http://www.abc.com/

wget -m -e robots=off -k -E “http://www.abc.net/
可以将全站下载以本地的当前工作目录,生成可访问、完整的镜像。

解释:

-m //镜像,就是整站抓取
-e robots=off //忽略robots协议
-k //将绝对URL链接转换为本地相对URL
-E //将所有text/html文档以.html扩展名保存

其它脚本

#!/bin/sh 
ADDR="http://www.w3school.com.cn"
if [ $1 ]
then
    ADDR=$1
fi
SERVER=${ADDR#http://}
SERVER=${SERVER%%/*}
wget -bc \
    --html-extension \
    --restrict-file-names=windows \
    --convert-links \
    --page-requisites \
    --execute robots=off \
    --mirror \
    --exclude-directories /try \
    --user-agent="Chrome/10.0.648.204" \
    --no-check-certificate \
    --reject "aggregator*" \
    -o $SERVER.log \
    $ADDR 2>&1 & 
wait
find $SERVER -type f -name "*.css" -exec cat {} \; |
grep -o 'url(/[^)]*)' |
sort |
uniq |  
sed 's/^url(/(.*/))$/http:////'$SERVER'/1/' |  
wget --mirror --page-requisites -i -  

for i in `find $SERVER -type f -name "*.css"`; do  
    PREFIX="$(echo $i | sed 's/[^//]*//g; s///$//; s////../////g')"
    sed -i 's/url(///url('$PREFIX'/g' $i
done

第3行用于设置要下载的网站的地址。
第10行用于将文件名转换为windows兼容的格式。windows对文件名格式的要求比unix更为苛刻一点,这里指定为windows也可以兼容unix系统。总的来说,wget的这个功能稍微弱了一点,面对一些更苛刻的系统就没有办法了。
第13行用于忽略robots.txt。很多网站的css、js文件都是在robots.txt中被定义为spider不可访问的。
第15、16行用于忽略某些目录和文件。因为没有了robots.txt的限制,wget可能会去访问一些不需要的东西。这里可以根据具体情况做限制。
第19~24行下载css中链接的文件。
第26~29行修正css中的链接。
find ../techdoc/data/m.abcd.com -type f -name "*.css" -exec cat {} \; | grep -o 'url([^)]*)' | sed 's/^url(\(.*\))$/http:\/\/m.abcd.com\/\1/g'

* 用wget做站点镜像:
wget -r -p -np -k http://dsec.pku.edu.cn/~usr_name/
# 或者
wget -m http://www.tldp.org/LDP/abs/html/

* 在不稳定的网络上下载一个部分下载的文件,以及在空闲时段下载
wget -t 0 -w 31 -c http://dsec.pku.edu.cn/BBC.avi -o down.log &
# 或者从filelist读入要下载的文件列表
wget -t 0 -w 31 -c -B ftp://dsec.pku.edu.cn/linuxsoft -i filelist.txt -o
down.log &

上面的代码还可以用来在网络比较空闲的时段进行下载。我的用法是:在mozilla中将不方便当时下载的URL链接拷贝到内存中然后粘贴到文件filelist.txt中,在晚上要出去系统前执行上面代码的第二条。

* 使用代理下载
wget -Y on -p -k https://sourceforge.net/projects/wvware/

代理可以在环境变量或wgetrc文件中设定

# 在环境变量中设定代理
export PROXY=http://211.90.168.94:8080/
# 在~/.wgetrc中设定代理
http_proxy = http://proxy.yoyodyne.com:18023/
ftp_proxy = http://proxy.yoyodyne.com:18023/

wget各种选项分类列表

* 启动

-V, –version 显示wget的版本后退出
-h, –help 打印语法帮助
-b, –background 启动后转入后台执行
-e, –execute=COMMAND
执行`.wgetrc'格式的命令,wgetrc格式参见/etc/wgetrc或~/.wgetrc

* 记录和输入文件

-o, –output-file=FILE 把记录写到FILE文件中
-a, –append-output=FILE 把记录追加到FILE文件中
-d, –debug 打印调试输出
-q, –quiet 安静模式(没有输出)
-v, –verbose 冗长模式(这是缺省设置)
-nv, –non-verbose 关掉冗长模式,但不是安静模式
-i, –input-file=FILE 下载在FILE文件中出现的URLs
-F, –force-html 把输入文件当作HTML格式文件对待
-B, –base=URLURL作为在-F -i参数指定的文件中出现的相对链接的前缀
–sslcertfile=FILE 可选客户端证书
–sslcertkey=KEYFILE 可选客户端证书的KEYFILE
–egd-file=FILE 指定EGD socket的文件名

* 下载

–bind-address=ADDRESS
指定本地使用地址(主机名或IP,当本地有多个IP或名字时使用)
-t, –tries=NUMBER 设定最大尝试链接次数(0 表示无限制).
-O –output-document=FILE 把文档写到FILE文件中
-nc, –no-clobber 不要覆盖存在的文件或使用.#前缀
-c, –continue 接着下载没下载完的文件
–progress=TYPE 设定进程条标记
-N, –timestamping 不要重新下载文件除非比本地文件新
-S, –server-response 打印服务器的回应
–spider 不下载任何东西
-T, –timeout=SECONDS 设定响应超时的秒数
-w, –wait=SECONDS 两次尝试之间间隔SECONDS–waitretry=SECONDS 在重新链接之间等待1…SECONDS秒
–random-wait 在下载之间等待0…2*WAIT秒
-Y, –proxy=on/off 打开或关闭代理
-Q, –quota=NUMBER 设置下载的容量限制
–limit-rate=RATE 限定下载输率

* 目录

-nd –no-directories 不创建目录
-x, –force-directories 强制创建目录
-nH, –no-host-directories 不创建主机目录
-P, –directory-prefix=PREFIX 将文件保存到目录 PREFIX/…
–cut-dirs=NUMBER 忽略 NUMBER层远程目录

* HTTP 选项

–http-user=USER 设定HTTP用户名为 USER.
–http-passwd=PASS 设定http密码为 PASS.
-C, –cache=on/off 允许/不允许服务器端的数据缓存 (一般情况下允许).
-E, –html-extension 将所有text/html文档以.html扩展名保存
–ignore-length 忽略 `Content-Length'头域
–header=STRING 在headers中插入字符串 STRING
–proxy-user=USER 设定代理的用户名为 USER
–proxy-passwd=PASS 设定代理的密码为 PASS
–referer=URL 在HTTP请求中包含 `Referer: URL'头
-s, –save-headers 保存HTTP头到文件
-U, –user-agent=AGENT 设定代理的名称为 AGENT而不是 Wget/VERSION.
–no-http-keep-alive 关闭 HTTP活动链接 (永远链接).
–cookies=off 不使用 cookies.
–load-cookies=FILE 在开始会话前从文件 FILE中加载cookie
–save-cookies=FILE 在会话结束后将 cookies保存到 FILE文件中

* FTP 选项

-nr, –dont-remove-listing 不移走 `.listing'文件
-g, –glob=on/off 打开或关闭文件名的 globbing机制
–passive-ftp 使用被动传输模式 (缺省值).
–active-ftp 使用主动传输模式
–retr-symlinks 在递归的时候,将链接指向文件(而不是目录)

* 递归下载

-r, –recursive 递归下载--慎用!
-l, –level=NUMBER 最大递归深度 (inf 或 0 代表无穷).
–delete-after 在现在完毕后局部删除文件
-k, –convert-links 转换非相对链接为相对链接
-K, –backup-converted 在转换文件X之前,将之备份为 X.orig
-m, –mirror 等价于 -r -N -l inf -nr.
-p, –page-requisites 下载显示HTML文件的所有图片

* 递归下载中的包含和不包含(accept/reject)

-A, –accept=LIST 分号分隔的被接受扩展名的列表
-R, –reject=LIST 分号分隔的不被接受的扩展名的列表
-D, –domains=LIST 分号分隔的被接受域的列表
–exclude-domains=LIST 分号分隔的不被接受的域的列表
–follow-ftp 跟踪HTML文档中的FTP链接
–follow-tags=LIST 分号分隔的被跟踪的HTML标签的列表
-G, –ignore-tags=LIST 分号分隔的被忽略的HTML标签的列表
-H, –span-hosts 当递归时转到外部主机
-L, –relative 仅仅跟踪相对链接
-I, –include-directories=LIST 允许目录的列表
-X, –exclude-directories=LIST 不被包含目录的列表
-np, –no-parent 不要追溯到父目录
原创文章:Linux使用 wget 下载整个网站及断点续传、后台运行 ,未经许可,禁止转载,©版权所有
原文出处:前端开发博客 (http://caibaojian.com/wget.html)