使用wget進行全站抓取的命令

本文为大家介绍 使用wget做站点镜像及wget的高级用法,供大家学习参考。

wget -r -p -np -k http://xxx.edu.cn

-r 表示递归下载,会下载所有的链接,不过要注意的是,不要单独使用这个参数,因为如果你要下载的网站也有别的网站的链接,wget也会把别的网站的东西下载下来,所以要加上-np这个参数,表示不下载别的站点的链接.
-np 表示不下载别的站点的链接.
-k 表示将下载的网页里的链接修改为本地链接.
-p 获得所有显示网页所需的元素,比如图片什么的.

-E  或 –html-extension   将保存的URL的文件后缀名设定为“.html”

+++++++++++++++++++++++++++++++++++++++

wget -c -t 0 -O rhel6_x86_64.iso http://zs.kan115.com:8080/rhel6_x86_64.iso

-c 断点续传
-t 0 反复尝试的次数,0为不限次数
-O rhel6_x86_64.iso 把下载的文件命名为rhel6_x86_64.iso
http://zs.kan115.com:8080/rhel6_x86_64.iso 要下载的文件的网址

附:wget高级用法

wget的一些高级用法,比如另存为,后台下载,断点下载。批量下载。
增加下载尝试次数和测试下载链接是否生效。
记录下载日志,下载和排除指定类型文 件。

1、下载单个文件
wget url+filename

下载过程中同时可以看到四项信息
已经下载的比例
已经下载的大小
当前下载的速度
剩余的时间

2、使用一个大写O做参数表示另存为
wget -O save_name url

这种方法适用于对应链接中没有显式文件名的情况。

例如: wget -O xx.zip http://www.vim.org/scripts/download_script.php?src_id=7701

再用不带-O参数的下载一次。

ls -al
总计 132
drwxr-xr-x 2 root root  4096 07-12 10:43 .
drwxr-xr-x 4 root root  4096 07-11 16:26 ..
-rw-r–r– 1 root root 50243 07-12 10:43 download_script.php?src_id=7701
-rw-r–r– 1 root root 50243 07-12 10:43 xx.zip

我们发现,下载的大小都是一样。但是不带-O参数的,文件名还要转换一次。不如用-O参数方便。

mv “download_script.php?src_id=7701″ yy.zip

3、指定下载速率
方法是使用wget –limit-rate

wget程序默认是使用所有的带宽,如果
是在生产服务器上下载很大的文件就不可接受了。
为了避免这种情况使用–limit-rate参数
wget –limit-rate=200k http://www.openss7.org/repos/tarballs/strx25-0.9.2.1.tar.bz2

4、断点下载
使用wget -c完成未完成的下载

下载到一半需要停下来干别的事情,用^c就可以停顿住。
回来后,继续下载可以加一个-c参数。
注意:如果不加入-c,那么下载的文件会多出一个.1的后缀。

5、在后台下载
方法:加一个-b的参数

wget -b url/filename
为后台下载。下载经过写入到wget-log文件中。

用tail -f wget-log查看下载日志

6、模拟在浏览器下下载
有的网站不允许客户在非浏览器环境下下载。使用–user-agent来设置
wget –user-agent=”Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.3) Gecko/2008092416 Firefox/3.0.3” URL-TO-DOWNLOAD

7、测试下载链接
方法:使用–spider
试图做计划下载时候,需要先检查一下下载链接是否有效。
wget –spider DOWNLOAD-URL
如果返回OK,则表示下载链接是正确的!

例如:
wget –spider “http://ip138.com/ips.asp?ip=58.251.193.137&action=2”
Spider mode enabled. Check if remote file exists.
–2010-07-12 11:36:32–  http://ip138.com/ips.asp?ip=58.251.193.137&action=2
正在解析主机 ip138.com… 221.5.47.136
Connecting to ip138.com|221.5.47.136|:80… 已连接。
已发出 HTTP 请求,正在等待回应… 200 OK
长度:7817 (7.6K) [text/html]
Remote file exists and could contain further links,
but recursion is disabled — not retrieving.

8、增加尝试次数
方法:–tries=1000
如果网速有问题,下载大文件的时候可能会发生错误,
默认wget尝试20次链接。

如果尝试75次,可以
wget –tires=75 DOWNLOAD-URL

9、下载多个文件使用wget -i
将多个下载链接写入到一个download-file-list.txt文件中,而后用:
wget -i download-file-list.txt

10、下载整站
方法:用–mirror参数

当你要下载一个完整站点并实现本地浏览的时候,
wget –mirror -p –convert-links -P ./LOCAL-DIR WEBSITE-URL

参数讲解:
–mirror:设置这个参数用来建立本地镜像
-p:下载所有html文件适合显示的元素
–convert-links:下载完成后,将文档链接都转换成本地的
-P ./LOCAL-DIR:保存所有的文件和目录到指定文件夹下

11、下载时候禁止下载指定类型的文件
例如下载站点时候,不打算下载gif动画图片。
wget –reject=gif WEBSITE-TO-BE-DOWNLOADED

12、记录下载日志
方法:使用小写字母o
wget -o xx.html.log -O xx.html “http://ip138.com/ips.asp?ip=58.251.193.137&action=2”

检查一下日志:
[root@localhost opt]# cat xx.html.log
–2010-07-12 11:57:22–  http://ip138.com/ips.asp?ip=58.251.193.137&action=2
正在解析主机 ip138.com… 221.5.47.136
Connecting to ip138.com|221.5.47.136|:80… 已连接。
已发出 HTTP 请求,正在等待回应… 200 OK
长度:7817 (7.6K) [text/html]
Saving to: xx.html'
0K .......        100% 65.5K=0.1s
2010-07-12 11:57:22 (65.5 KB/s) -
xx.html’ saved [7817/7817]

13、是第9条的增强版。可以限制下载容量
wget -Q5m -i FILE-WHICH-HAS-URLS

当下载的文件达到5兆的时候,停止下载。
注意:如果不是对一个文件下载链接清单,对单个文件,
这个限制不会生效的。

14、和第11条正好相反,
这条技巧是讲述如何仅仅下载指定类型的文件

从一个网站中下载所有的pdf文件:
wget -r -A.pdf http://url-to-webpage-with-pdfs/

15、使用wget完成ftp下 载
匿名ftp下载类似于http下载:
wget ftp-url即可。

如果是需要输入用户名和密码,则是:
wget –ftp-user=USERNAME –ftp-password=PASSWORD DOWNLOAD-URL

发表评论