21 个你应该知道的 wget 命令

Size: px

Start display at page:

Download "21 个你应该知道的 wget 命令"

短旗屠
5 years ago
Views:

1 如何下载整个网站用来离线浏览? 怎样将一个网站上的所有 MP3 文件保存到本地的一个目录中? 怎么才能将需要登陆的网页后面的文件下载下来? 怎样构建一个迷你版的 Google? wget 是一个自由的工具, 可在包括 Mac,Window 和 Linux 在内的多个平台上使用, 它可帮助你实现所有上述任务, 而且还有更多的功能与大多数下载管理器不同的是,wget 可跟着网页上的 HTTP 链接, 递归地下载相关的文件如果想及时了解 Spark Hadoop 或者 Hbase 相关的文章, 欢迎关注微信公共帐号 :iteblog_hadoop 使用 wget 爬取网站 -20 个实用例子 wget 是一个极为强大的工具, 但和大部分其它命令行程序一样, 它所支持的大量选项会吓跑新的用户因而, 这里我们会列出一些 wget 命令, 以帮助你完成一些普通的任务, 包括下载单个文件和对整个网站做备份, 等你如果有时间通读 wget 手册, 自然会大受裨益但是对于忙碌的人们来说, 这里给出的却是随时可执行的命令 1 从网上下载单个文件 wget 2 下载一个文件, 但以不同的名字存为本地文件 wget --output-document=filename.html example.com 1 / 5

2 或 wget -O filename.html example.com 3 下载一个文件, 存到指定的目录 wget --directory-prefix=folder/subfolder example.com 4 恢复之前中断的 wget 下载 wget --continue example.com/big.file.iso wget -c example.com/big.file.iso 5 下载一个文件, 但只在服务器上的版本比本地版本新时才会真正执行 wget --continue --timestamping wordpress.org/latest.zip 6 用 wget 下载多个网址, 这些网址保存在一个文本文件中, 一行一个网址 wget --input list-of-file-urls.txt 7 从服务器下载一些以连续序号为文件名的文件 wget wget 8 下载一个网页, 包括它所有的内容, 比如样式表和包含的图片, 它们是确保网页离线显示所必需的 wget -page-requisites --span-hosts --convert-links --adjust-extension wget -p -H -k -E 9 下载整个网站, 包括它所有链接的页面和文件 wget --execute robots=off --recursive --no-parent --continue --no-clobber wget -e robots=off -r -np -c -nc 10 从网站上一个子目录中下载所有 MP3 文件 wget --level=1 --recursive --no-parent --accept mp3,mp3 wget -l 1 -r -np -A mp3,mp 将一个网站上的所有图片下载到同一个目录中 2 / 5

3 wget --directory-prefix=files/pictures --no-directories --recursive --no-clobber --accept jpg,gif,png,jpeg wget -P files/pictures -nd -r -nc -A jpg,gif,png,jpeg 12 从一个网站上下载 PDF 文件, 采用递归的方式, 但不跳出指定的网域 wget --mirror --domains=abc.com,files.abc.com,docs.abc.com --accept=pdf wget -m -D abc.com,files.abc.com,docs.abc.com -A pdf 13 从一个网站上下载所有文件, 但是排除某些目录 wget --recursive --no-clobber --no-parent --exclude-directories /forums,/support wget -r -nc -np -X /forums,/support 14 下载网站上的文件, 假设此网站检查 User Agent 和 HTTP 参照位址 (referer) wget --referer=/5.0 --user-agent="firefox/4.0.1" 15 从密码保护网站上下载文件 wget --http-user=labnol --http-password=hello 抓取登陆界面后面的页面你需要将用户名和密码替换成实际的表格域值, 而 URL 应该指向 ( 实际的 ) 表格提交页面 wget --cookies=on --save-cookies cookies.txt --keep-session-cookies --post-data 'user=labnol&password=123' wget --cookies=on --load-cookies cookies.txt --keep-session-cookies 用 wget 获得文件细节 17 在不下载的情况下, 得到一个文件的大小 ( 在网络响应中寻找用字节表示的文件长度 ) wget --spider --server-response wget --spider -S 18 下载一个文件, 但不存储为本地文件, 而是在屏幕上显示其内容 wget --output-document=- --quiet google.com/humans.txt wget -O- -q google.com/humans.txt 3 / 5

4 如果想及时了解 Spark Hadoop 或者 Hbase 相关的文章, 欢迎关注微信公共帐号 :iteblog_hadoop 19 得到网页的最后修改日期 ( 检查 HTTP 头中的 Last Modified 标签 ) wget --server-response --spider wget -S --spider 20 检查你的网站上的链接是否都可用 spider 选项将令 wget 不会在本地保存网页 wget --output-file=logfile.txt --recursive --spider wget -O logfile.txt -r --spider 21 URL 特殊字符转义 wget " 或 wget wget 如何对服务器友好一些? wget 工具本质上是一个抓取网页的网络爬虫, 但有些网站主机通过 robots.txt 文件来屏幕这些网络爬虫另外, 对于使用了 rel-nofollow 属性的网页,wget 也不会扒取它的链接不过, 你可以强迫 wget 忽略 robots.txt 和 nofollow 指令, 只需在所有 wget 命令行中加上 execute robots=off 选项即可如果一个网页主机通过查看 User Agent 字段来屏幕 wget 请求, 你也总是可以用 user-agent=mozilla 选项来伪装成火狐浏览器 wget 命令会增加网站服务器的负担, 因为它不断地追踪链接, 并下载文件因而, 一个好的网页抓取工具应该限制下载速度, 而且还要在连接的抓取请求之间设置一个停顿, 以缓解服务器的负担 wget --limit-rate=20k --wait=60 --random-wait --mirror example.com 4 / 5

5 Powered by TCPDF ( 在上面的示例中, 我们将下载带宽限制在了 20KB/s, 而且 wget 会在任意位置随机停顿 30s 至 90s 时间, 然后再开始下一次下载请求最后是一个小测试, 你认为下列 wget 命令是干什么用的? wget --span-hosts --level=inf --recursive dmoz.org 本文翻译自 :All the Wget Commands You Should Know 本博客文章除特别声明, 全部都是原创! 转载本文请加上 : 转载自过往记忆 ( 本文链接 : () 5 / 5

Spark读取Hbase中的数据

Spark读取Hbase中的数据 Spark 读取 Hbase 中的数据 Spark 和 Flume-ng 整合, 可以参见本博客 : Spark 和 Flume-ng 整合使用 Spark 读取 HBase 中的数据如果想及时了解 Spark Hadoop 或者 Hbase 相关的文章, 欢迎关注微信公共帐号 :iteblog_hadoop 大家可能都知道很熟悉 Spark 的两种常见的数据读取方式 ( 存放到 RDD 中 ):(1)