wget 的使用

1. 简单页面的抓取

wget的最基本用法

wget http://domain.com/path/simple_page.html

2. 添加自己的head

有些网站或者页面，需要额外的认证，所以需要添加额外的HTTP Header，使用方法：

wget --header="MyHeader: head_value" http://domain.com/path/page/need_header.php

3. 伪装成浏览器

有些网站，例如facebook，会检测请求方式是否是浏览器，如果不是正常的浏览器，那么会redirect到一个"incompatible browser"的错误页面。这时候需要wget伪装成一个浏览器（我是Mozilla Firefox！）：

wget --user-agent="Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.9.2.3) Gecko/20100401 Firefox/3.6.3 (.NET CLR 3.5.30729)" http://domain.com/path/page/check_user_agent.php

4. post数据到某个页面

wget不光可以用get方式请求网页，还可以post data的，那样就可以实现自动注册、自动登录了（有验证码的页面除外。。。。）

wget --post-data="user=user1&pass=pass1&submit=Login" http://domain.com/login.php

5. 访问需要登录的页面

有些页面的访问需要登录，访问的时候需要传递cookie，这时候就需要和上面提到的post方式结合。一般过程是：post用户名和密码登录、保存cookie，然后访问页面时附带上cookie。

wget --post-data="user=user1&pass=pass1&submit=Login" --save-cookies=cookie.txt --keep-session-cookieshttp://domain.com/login.php

wget --load-cookies=cookie.txt http://domain.com/path/page_need_login.php

wget技巧大全:

1>下载 http://www.linux.com 网站上 packs 目录中的所有文件
$ wget -r -np -nd http://www.linux.com/packs/

-np 的作用是不遍历父目录
-nd 表示不在本机重新创建目录结构。

2>下载整个http或者ftp站点

$ wget -r -x http://www.linux.com

-x 的作用强制建立服务器上一模一样的目录

这个命令会按照递归的下载服务器上所有的目录和文件，就是下载整个网站。在下载的时候，被下载网站指向的所有地址都会被下载，如果这个网站引用了其他网站，被引用的网站也会被下载下来！！！

注意: 可以用-l number参数来指定下载的层次。例如只下载两层，那么使用-l 2。
如: wget -r -x -l 2 http://www.linux.com

3>wget选择性的只下载某类文件

$ wget -r -np -nd –accept=iso http://www.linux.com/i386/

–accept=iso 选项，这指示wget仅下载 i386 目录中所有扩展名为 iso 的文件。你也可以指定多个扩展名，只需用逗号分隔即可。

4>批量下载
wget -i downloads.txt

如果有多个文件需要下载，那么把所有需要下载文件的地址放到downloads.txt中(每个文件的URL写一行)，然后 wget 就会自动为你下载所有文件了。

5>断点续传

$ wget -c -t 100 -T 120 http://www.linux.com/big-file.iso

当文件特别大或者网络特别慢的时候，往往一个文件还没有下载完，连接就已经被切断，此时就需要断点续传。wget的断点续传是自动的。

-c 选项的作用为断点续传。
-t 参数表示重试次数(例如需要重试100次，那么就写-t 100，如果设成-t 0，那么表示无穷次重试，直到连接成功。)
-T 参数表示超时等待时间，例如-T 120，表示等待120秒连接不上就算超时。

6>镜像一个网站
$ wget -m -k (-H) http://www.linux.com/

wget是在Linux下开发的开放源代码的软件，作者是Hrvoje Niksic，后来被移植到包括Windows在内的各个平台上。它有以下功能和特点： 

（1）支持断点下传功能；这一点，也是网络蚂蚁和FlashGet当年最大的卖点，现在，Wget也可以使用此功能，那些网络不是太好的用户可以放心了； 
（2）同时支持FTP和HTTP下载方式；尽管现在大部分软件可以使用HTTP方式下载，但是，有些时候，仍然需要使用FTP方式下载软件； 
（3）支持代理服务器；对安全强度很高的系统而言，一般不会将自己的系统直接暴露在互联网上，所以，支持代理是下载软件必须有的功能； 
（4）设置方便简单；可能，习惯图形界面的用户已经不是太习惯命令行了，但是，命令行在设置上其实有更多的优点，最少，鼠标可以少点很多次，也不要担心是否错点鼠标； 
（5）程序小，完全免费；程序小可以考虑不计，因为现在的硬盘实在太大了；完全免费就不得不考虑了，即使网络上有很多所谓的免费软件，但是，这些软件的广告却不是我们喜欢的； 

wget虽然功能强大，但是使用起来还是比较简单的，基本的语法是：wget [参数列表] URL。下面就结合具体的例子来说明一下wget的用法。 

注：wget url将会把文件下载到当前目录下面，如果将.wgetrc文件配置了proxy，则默认情况下proxy是打开的。 
1、下载整个http或者ftp站点。 
wget http://place.your.url/here 
这个命令可以将http://place.your.url/here 首页下载下来。使用-x会强制建立服务器上一模一样的目录，如果使用-nd参数，那么服务器上下载的所有内容都会加到本地当前目录。 

wget -r http://place.your.url/here 

这个命令会按照递归的方法，下载服务器上所有的目录和文件，实质就是下载整个网站。这个命令一定要小心使用，因为在下载的时候，被下载网站指向的所有地址同样会被下载，因此，如果这个网站引用了其他网站，那么被引用的网站也会被下载下来！基于这个原因，这个参数不常用。 
可以用-l number参数来指定下载的层次。例如只下载两层，那么使用-l 2。 

要是您想制作镜像站点，那么可以使用－m参数，例如：wget -m http://place.your.url/here 
这时wget会自动判断合适的参数来制作镜像站点。此时，wget会登录到服务器上，读入robots.txt并按robots.txt的规定来执行。 

2、断点续传。 
当文件特别大或者网络特别慢的时候，往往一个文件还没有下载完，连接就已经被切断，此时就需要断点续传。wget的断点续传是自动的，只需要使用-c参数，例如： 
wget -c http://the.url.of/incomplete/file 
使用断点续传要求服务器支持断点续传。-t参数表示重试次数，例如需要重试100次，那么就写-t 100，如果设成-t 0，那么表示无穷次重试，直到连接成功。-T参数表示超时等待时间，例如-T 120，表示等待120秒连接不上就算超时。 

3、批量下载。 
如果有多个文件需要下载，那么可以生成一个文件，把每个文件的URL写一行，例如生成文件download.txt，然后用命令：wget -i download.txt 
这样就会把download.txt里面列出的每个URL都下载下来。（如果列的是文件就下载文件，如果列的是网站，那么下载首页） 

4、选择性的下载。 
可以指定让wget只下载一类文件，或者不下载什么文件。例如： 
wget -m --reject=gif http://target.web.site/subdirectory 
表示下载http://target.web.site/subdirectory，但是忽略gif文件。--accept=LIST 可以接受的文件类型，--reject=LIST拒绝接受的文件类型。 

5、密码和认证。 
wget只能处理利用用户名/密码方式限制访问的网站，可以利用两个参数： 
--http-user=USER设置HTTP用户 
--http-passwd=PASS设置HTTP密码 
对于需要证书做认证的网站，就只能利用其他下载工具了，例如curl。 

6、利用代理服务器进行下载。 
如果用户的网络需要经过代理服务器，那么可以让wget通过代理服务器进行文件的下载。此时需要在当前用户的目录下创建一个.wgetrc文件。文件中可以设置代理服务器： 
http-proxy = 111.111.111.111:8080 
ftp-proxy = 111.111.111.111:8080 
分别表示http的代理服务器和ftp的代理服务器。如果代理服务器需要密码则使用： 
--proxy-user=USER设置代理用户 
--proxy-passwd=PASS设置代理密码 
这两个参数。 
使用参数--proxy=on/off 使用或者关闭代理。 
wget还有很多有用的功能，需要用户去挖掘。 

附录： 

命令格式： 
wget [参数列表] [目标软件、网页的网址] 

-V,--version 显示软件版本号然后退出； 
-h,--help显示软件帮助信息； 
-e,--execute=COMMAND 执行一个 “.wgetrc”命令 

-o,--output-file=FILE 将软件输出信息保存到文件； 
-a,--append-output=FILE将软件输出信息追加到文件； 
-d,--debug显示输出信息； 
-q,--quiet 不显示输出信息； 
-i,--input-file=FILE 从文件中取得URL； 

-t,--tries=NUMBER 是否下载次数（0表示无穷次） 
-O --output-document=FILE下载文件保存为别的文件名 
-nc, --no-clobber 不要覆盖已经存在的文件 
-N,--timestamping只下载比本地新的文件 
-T,--timeout=SECONDS 设置超时时间 
-Y,--proxy=on/off 关闭代理 

-nd,--no-directories 不建立目录 
-x,--force-directories 强制建立目录 

--http-user=USER设置HTTP用户 
--http-passwd=PASS设置HTTP密码 
--proxy-user=USER设置代理用户 
--proxy-passwd=PASS设置代理密码 

-r,--recursive 下载整个网站、目录（小心使用） 
-l,--level=NUMBER 下载层次 

-A,--accept=LIST 可以接受的文件类型 
-R,--reject=LIST拒绝接受的文件类型 
-D,--domains=LIST可以接受的域名 
--exclude-domains=LIST拒绝的域名 
-L,--relative 下载关联链接 
--follow-ftp 只下载FTP链接 
-H,--span-hosts 可以下载外面的主机 
-I,--include-directories=LIST允许的目录 
-X,--exclude-directories=LIST 拒绝的目录 

中文文档名在平常的情况下会被编码， 但是在 --cut-dirs 时又是正常的， 
wget -r -np -nH --cut-dirs=3 ftp://host/test/ 
测试.txt 
wget -r -np -nH -nd ftp://host/test/ 
%B4%FA%B8%D5.txt 
wget "ftp://host/test/*" 
%B4%FA%B8%D5.txt 

由 於不知名的原因，可能是为了避开特殊档名， wget 会自动将抓取档名的部分用 encode_string 处理过， 所以该 patch 就把被 encode_string 处理成 "%3A" 这种东西， 用 decode_string 还原成 ":"， 并套用在目录与档案名称的部分，decode_string 是 wget 内建的函式。