使用wget工具抓取网页和图片

发表于1年前(2014-12-17 11:29)   阅读(2471) | 评论(14) 85人收藏此文章, 我要收藏
赞7

奇怪的需求

公司需要将服务器的网页缓存到路由器,用户在访问该网页时就直接取路由器上的缓存即可。虽然我不知道这个需求有什么意义,但还是尽力去实现吧。

wget概述

wget是unix和类unix下的一个网页抓取工具,待我熟悉它后,发现它的功能远不止这些。但是这篇博文只说怎么抓取一个指定URL以及它下面的相关内容(包括html,js,css,图片)并将内容里的绝对路径换成相对路径。网上搜到一堆有关wget的文章,关于它怎么抓取网页和相关的图片资源,反正我是没有找到一篇实用的,都以失败告终。

这是wget -h > ./help_wget.txt 后的文件内容

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
GNU Wget 1.16, a non-interactive network retriever.
 
Usage: wget [OPTION]... [URL]...
 
Mandatory arguments to long options are mandatory for short options too.
 
 
 
Startup:
 
  -V,  --version                   display the version of Wget and exit.
 
  -h,  --help                      print this help.
 
  -b,  --background                go to background after startup.
 
  -e,  --execute=COMMAND           execute a `.wgetrc'-style command.
 
 
 
Logging and input file:
 
  -o,  --output-file=FILE          log messages to FILE.
 
  -a,  --append-output=FILE        append messages to FILE.
 
  -q,  --quiet                     quiet (no output).
 
  -v,  --verbose                   be verbose (this is the default).
 
  -nv, --no-verbose                turn off verboseness, without being quiet.
 
       --report-speed=TYPE         Output bandwidth as TYPE.  TYPE can be bits.
 
  -i,  --input-file=FILE           download URLs found in local or external FILE.
 
  -F,  --force-html                treat input file as HTML.
 
  -B,  --base=URL                  resolves HTML input-file links (-i -F)
 
                                   relative to URL.
 
       --config=FILE               Specify config file to use.
 
       --no-config                 Do not read any config file.
 
Download:
 
  -t,  --tries=NUMBER              set number of retries to NUMBER (0 unlimits).
 
       --retry-connrefused         retry even if connection is refused.
 
  -O,  --output-document=FILE      write documents to FILE.
 
  -nc, --no-clobber                skip downloads that would download to
 
                                   existing files (overwriting them).
 
  -c,  --continue                  resume getting a partially-downloaded file.
 
       --start-pos=OFFSET          start downloading from zero-based position OFFSET.
 
       --progress=TYPE             select progress gauge type.
 
       --show-progress             display the progress bar in any verbosity mode.
 
  -N,  --timestamping              don't re-retrieve files unless newer than
 
                                   local.
 
  --no-use-server-timestamps       don't set the local file's timestamp by
 
                                   the one on the server.
 
  -S,  --server-response           print server response.
 
       --spider                    don't download anything.
 
  -T,  --timeout=SECONDS           set all timeout values to SECONDS.
 
       --dns-timeout=SECS          set the DNS lookup timeout to SECS.
 
       --connect-timeout=SECS      set the connect timeout to SECS.
 
       --read-timeout=SECS         set the read timeout to SECS.
 
  -w,  --wait=SECONDS              wait SECONDS between retrievals.
 
       --waitretry=SECONDS         wait 1..SECONDS between retries of a retrieval.
 
       --random-wait               wait from 0.5*WAIT...1.5*WAIT secs between retrievals.
 
       --no-proxy                  explicitly turn off proxy.
 
  -Q,  --quota=NUMBER              set retrieval quota to NUMBER.
 
       --bind-address=ADDRESS      bind to ADDRESS (hostname or IP) on local host.
 
       --limit-rate=RATE           limit download rate to RATE.
 
       --no-dns-cache              disable caching DNS lookups.
 
       --restrict-file-names=OS    restrict chars in file names to ones OS allows.
 
       --ignore-case               ignore case when matching files/directories.
 
  -4,  --inet4-only                connect only to IPv4 addresses.
 
  -6,  --inet6-only                connect only to IPv6 addresses.
 
       --prefer-family=FAMILY      connect first to addresses of specified family,
 
                                   one of IPv6, IPv4, or none.
 
       --user=USER                 set both ftp and http user to USER.
 
       --password=PASS             set both ftp and http password to PASS.
 
       --ask-password              prompt for passwords.
 
       --no-iri                    turn off IRI support.
 
       --local-encoding=ENC        use ENC as the local encoding for IRIs.
 
       --remote-encoding=ENC       use ENC as the default remote encoding.
 
       --unlink                    remove file before clobber.
 
 
 
Directories:
 
  -nd, --no-directories            don't create directories.
 
  -x,  --force-directories         force creation of directories.
 
  -nH, --no-host-directories       don't create host directories.
 
       --protocol-directories      use protocol name in directories.
 
  -P,  --directory-prefix=PREFIX   save files to PREFIX/...
 
       --cut-dirs=NUMBER           ignore NUMBER remote directory components.
 
 
 
HTTP options:
 
       --http-user=USER            set http user to USER.
 
       --http-password=PASS        set http password to PASS.
 
       --no-cache                  disallow server-cached data.
 
       --default-page=NAME         Change the default page name (normally
 
                                   this is `index.html'.).
 
  -E,  --adjust-extension          save HTML/CSS documents with proper extensions.
 
       --ignore-length             ignore `Content-Length' header field.
 
       --header=STRING             insert STRING among the headers.
 
       --max-redirect              maximum redirections allowed per page.
 
       --proxy-user=USER           set USER as proxy username.
 
       --proxy-password=PASS       set PASS as proxy password.
 
       --referer=URL               include `Referer: URL' header in HTTP request.
 
       --save-headers              save the HTTP headers to file.
 
  -U,  --user-agent=AGENT          identify as AGENT instead of Wget/VERSION.
 
       --no-http-keep-alive        disable HTTP keep-alive (persistent connections).
 
       --no-cookies                don't use cookies.
 
       --load-cookies=FILE         load cookies from FILE before session.
 
       --save-cookies=FILE         save cookies to FILE after session.
 
       --keep-session-cookies      load and save session (non-permanent) cookies.
 
       --post-data=STRING          use the POST method; send STRING as the data.
 
       --post-file=FILE            use the POST method; send contents of FILE.
 
       --method=HTTPMethod         use method "HTTPMethod" in the request.
 
       --body-data=STRING          Send STRING as data. --method MUST be set.
 
       --body-file=FILE            Send contents of FILE. --method MUST be set.
 
       --content-disposition       honor the Content-Disposition header when
 
                                   choosing local file names (EXPERIMENTAL).
 
       --content-on-error          output the received content on server errors.
 
       --auth-no-challenge         send Basic HTTP authentication information
 
                                   without first waiting for the server's
 
                                   challenge.
 
 
 
HTTPS (SSL/TLS) options:
 
       --secure-protocol=PR        choose secure protocol, one of auto, SSLv2,
 
                                   SSLv3, TLSv1 and PFS.
 
       --https-only                only follow secure HTTPS links
 
       --no-check-certificate      don't validate the server's certificate.
 
       --certificate=FILE          client certificate file.
 
       --certificate-type=TYPE     client certificate type, PEM or DER.
 
       --private-key=FILE          private key file.
 
       --private-key-type=TYPE     private key type, PEM or DER.
 
       --ca-certificate=FILE       file with the bundle of CA's.
 
       --ca-directory=DIR          directory where hash list of CA's is stored.
 
       --random-file=FILE          file with random data for seeding the SSL PRNG.
 
       --egd-file=FILE             file naming the EGD socket with random data.
 
 
 
FTP options:
 
       --ftp-user=USER             set ftp user to USER.
 
       --ftp-password=PASS         set ftp password to PASS.
 
       --no-remove-listing         don't remove `.listing' files.
 
       --no-glob                   turn off FTP file name globbing.
 
       --no-passive-ftp            disable the "passive" transfer mode.
 
       --preserve-permissions      preserve remote file permissions.
 
       --retr-symlinks             when recursing, get linked-to files (not dir).
 
 
 
WARC options:
 
       --warc-file=FILENAME        save request/response data to a .warc.gz file.
 
       --warc-header=STRING        insert STRING into the warcinfo record.
 
       --warc-max-size=NUMBER      set maximum size of WARC files to NUMBER.
 
       --warc-cdx                  write CDX index files.
 
       --warc-dedup=FILENAME       do not store records listed in this CDX file.
 
       --no-warc-compression       do not compress WARC files with GZIP.
 
       --no-warc-digests           do not calculate SHA1 digests.
 
       --no-warc-keep-log          do not store the log file in a WARC record.
 
       --warc-tempdir=DIRECTORY    location for temporary files created by the
 
                                   WARC writer.
 
 
 
Recursive download:
 
  -r,  --recursive                 specify recursive download.
 
  -l,  --level=NUMBER              maximum recursion depth (inf or 0 for infinite).
 
       --delete-after              delete files locally after downloading them.
 
  -k,  --convert-links             make links in downloaded HTML or CSS point to
 
                                   local files.
 
       --backups=N                 before writing file X, rotate up to N backup files.
 
  -K,  --backup-converted          before converting file X, back up as X.orig.
 
  -m,  --mirror                    shortcut for -N -r -l inf --no-remove-listing.
 
  -p,  --page-requisites           get all images, etc. needed to display HTML page.
 
       --strict-comments           turn on strict (SGML) handling of HTML comments.
 
 
 
Recursive accept/reject:
 
  -A,  --accept=LIST               comma-separated list of accepted extensions.
 
  -R,  --reject=LIST               comma-separated list of rejected extensions.
 
       --accept-regex=REGEX        regex matching accepted URLs.
 
       --reject-regex=REGEX        regex matching rejected URLs.
 
       --regex-type=TYPE           regex type (posix).
 
  -D,  --domains=LIST              comma-separated list of accepted domains.
 
       --exclude-domains=LIST      comma-separated list of rejected domains.
 
       --follow-ftp                follow FTP links from HTML documents.
 
       --follow-tags=LIST          comma-separated list of followed HTML tags.
 
       --ignore-tags=LIST          comma-separated list of ignored HTML tags.
 
  -H,  --span-hosts                go to foreign hosts when recursive.
 
  -L,  --relative                  follow relative links only.
 
  -I,  --include-directories=LIST  list of allowed directories.
 
       --trust-server-names  use the name specified by the redirection
 
                                   url last component.
 
  -X,  --exclude-directories=LIST  list of excluded directories.
 
  -np, --no-parent   don't ascend to the parent directory.
 
 
Mail bug reports and suggestions to <bug-wget@gnu.org>.

wget尝试

根据wget的帮助文档,我尝试了下面这条命令

1
wget -r -np -pk -nH -P ./download http://www.baidu.com

解释一下这些参数

-r  递归下载所有内容

-np 只下载给定URL下的内容,不下载它的上级内容

-p 下载有关页面需要用到的所有资源,包括图片和css样式

-k 将绝对路径转换为相对路径(这个很重要,为了在用户打开网页的时候,加载的相关资源都在本地寻找)

-nH 禁止wget以接收的URL为名称创建文件夹(如果没有这个,这条命令会将下载的内容存在./download/www.baidu.com/下)

-P 下载到哪个路径,这里是当前文件夹下的download文件夹下,没有的话,wget会帮你自动创建

这些选项都符合目前的这个需求,单结果很意外,并不是我们想象的那么简单,wget并没有给我们想要的东西

你如果执行了这条命令,会发现在当前的download文件夹中只是下载了一个index.html和一个robots.txt,而index.html文件所需要的图片也并没有被下载

<img>标签中的路径也没有被替换成相对路径,可能只是去掉了"http:"这个字符串而已。

至于为什么会这样,请继续往下看。

wget正解

因为上面的命令行不通,所以,脑洞全开。来吧,让我们写一个shell脚本,名称为wget_cc内容如下

1
2
3
4
5
6
7
8
9
10
11
#!/bin/sh
 
URL="$2"
PATH="$1"
 
echo "download url: $URL"
echo "download dir: $PATH"
 
/usr/bin/wget -e robots=off -w 1 -xq -np -nH -pk -m  -t 1 -P "$PATH" "$URL"
 
echo "success to download"

需要注意的是,我的wget是在/usr/bin目录下(这里必须写全路径),你可以使用which wget这个命令确定你的wget路径所在,然后替换到脚本中就行了。

这里多加了几个参数,解释一下:

-e 用法是‘-e command’

用来执行额外的.wgetrc命令。就像vim的配置存在.vimrc文件中一样,wget也用.wgetrc文件来存放它的配置。也就是说在wget执行之前,会先执行.wgetrc文件中的配置命令。一个典型的.wgetrc文件可以参考:

http://www.gnu.org/software/wget/manual/html_node/Sample-Wgetrc.html

http://www.gnu.org/software/wget/manual/html_node/Wgetrc-Commands.html

用户可以在不改写.wgetrc文件的情况下,用-e选项指定额外的配置命令。如果想要制定多个配置命令,-e command1 -e command2 ... -e commandN即可。这些制定的配置命令,会在.wgetrc中所有命令之后执行,因此会覆盖.wgetrc中相同的配置项。

这里robots=off是因为wget默认会根据网站的robots.txt进行操作,如果robots.txt里是User-agent: * Disallow: /的话,wget是做不了镜像或者下载目录的。

这就是前面为什么下载不了图片和其他资源的原因所在了,因为你要爬的HOST禁止蜘蛛去爬它,而wget使用 -e robots=off 这个选项可以通过这个命令绕过这个限制。

-x 创建镜像网站对应的目录结构

-q 静默下载,即不显示下载信息,你如果想知道wget当前在下载什么资源的话,可以去掉这个选项

-m 它会打开镜像相关的选项,比如无限深度的子目录递归下载。

-t times 某个资源下载失败后的重试下载次数

-w seconds 资源请求下载之间的等待时间(减轻服务器的压力)

剩下有不懂的你就去挖文档吧。

写好后保存退出,执行:

1
chmod 744 wget_cc

OK,这样脚本就能直接执行,而不用在每条命令前带 /bin/sh 让sh去解释它了。

下面就让脚本执行起来吧!

1
./wget_cc ./download http://www.baidu.com

下载完成后的目录结构

OK,然后再查看<img>标签中的src属性,

src="img/bd_logo1.png"

果然换成了相对路径啊,大功告成,觉得对您有帮助的请点个赞吧!

使用wget工具抓取网页和图片 成功尝试的更多相关文章

  1. 使用wget工具抓取网页和图片 及 相关工具几个

    想保存一些网页,最后找到这 wget 的 shell脚本,虽然不是太理想,亲测可用呢. 使用wget工具抓取网页和图片   来源 https://my.oschina.net/freestyletim ...

  2. python抓取网页中图片并保存到本地

    #-*-coding:utf-8-*- import os import uuid import urllib2 import cookielib '''获取文件后缀名''' def get_file ...

  3. 抓取网页图片的脚本(javascript)

    抓取网页图片的脚本(javascript) 本文地址: http://blog.csdn.net/caroline_wendy/article/details/24172223 脚本内容 (没有换行) ...

  4. C语言调用curl库抓取网页图片

    思路是先用curl抓取网页源码,然后以关键字寻找出图片网址.   #include <stdio.h> #include <stdlib.h> #include <str ...

  5. C语言调用curl库抓取网页图片(转)

    思路是先用curl抓取网页源码,然后以关键字寻找出图片网址.  范例: #include <stdio.h> #include <stdlib.h> #include < ...

  6. Python抓取网页中的图片到本地

    今天在网上找了个从网页中通过图片URL,抓取图片并保存到本地的例子: #!/usr/bin/env python # -*- coding:utf- -*- # Author: xixihuang # ...

  7. python抓取网页图片

    本人比较喜欢海贼王漫画,所以特意选择了网站http://www.mmonly.cc/ktmh/hzw/list_34_2.html来抓取海贼王的图片. 因为是刚刚学习python,代码写的不好,不要喷 ...

  8. Python3简单爬虫抓取网页图片

    现在网上有很多python2写的爬虫抓取网页图片的实例,但不适用新手(新手都使用python3环境,不兼容python2), 所以我用Python3的语法写了一个简单抓取网页图片的实例,希望能够帮助到 ...

  9. Java 抓取网页中的内容【持续更新】

    背景:前几天复习Java的时候看到URL类,当时就想写个小程序试试,迫于考试没有动手,今天写了下,感觉还不错 内容1. 抓取网页中的URL 知识点:Java URL+ 正则表达式 import jav ...

随机推荐

  1. android出现段错误时的查找定位的方法

    android出现段错误时的查找方法,例如出现log: - ::): Fatal signal (SIGSEGV) at ), thread (SurfaceFlinger) - ::): *** * ...

  2. HTTPS.SYS怎样使用HTTPS

    HTTPS.SYS怎样使用HTTPS 参考了MORMOT的官方文档:http://blog.synopse.info/post/2013/09/04/HTTPS-communication-in-mO ...

  3. IE11快捷键 双击没反应的解决办法

    WIN + R,regedit,找到 HKEY_CURRENT_USER\Software\Microsoft\Internet Explorer\Main 对左侧树Main节点右键——权限. 正常情 ...

  4. Windows数据备份软件Deltacopy-数据备份与还原

    官方网站:http://www.aboutmyip.com/AboutMyXApp/DeltaCopy.jsp System Requirements XP, 2000, 2003, 2008, Vi ...

  5. 深入理解JavaScript中的函数操作——《JavaScript忍者秘籍》总结

    匿名函数 对于什么是匿名函数,这里就不做过多介绍了.我们需要知道的是,对于JavaScript而言,匿名函数是一个很重要且具有逻辑性的特性.通常,匿名函数的使用情况是:创建一个供以后使用的函数.简单的 ...

  6. java中List和Array相互转换

    List to Array List 提供了toArray的接口,所以可以直接调用转为object型数组 List<String> list = new ArrayList<Stri ...

  7. MySQL Win7 64位 下载、安装与配置图文教程

    MySQL是目前十分流行的一种关系型数据库管理系统.官网推出的安装包有两种格式,分别是:ZIP格式和MSI格式.其中MSI格式的可以直接点击安装,按照它给出的安装提示进行安装,一般MySQL将会安装在 ...

  8. hexo 使用教程

    hexo 使用教程 这个早就用起来了,写给需要的小伙伴 mayufo.github.io 先扔出自己的地址 安装 想玩hexo,需要安装以下应用 git node 安装完成在终端输入 $ npm in ...

  9. 倍福TwinCAT(贝福Beckhoff)应用教程13.3 TwinCAT控制松下伺服 NC配合完整上位

    这是TwinCAT教程的最后一节,简单讲述了以C#为上位,通过ADS控制TwinCAT下位,实现完整控制两轴模组的功能.可以发现,在上位层已经没有了运动控制的代码,不管是要执行哪种运动,无非是把目标参 ...

  10. C#秘密武器之反射——替换反射

    反射虽然有时很有必要,但是应用反射的代码大多“复杂难懂”.“性能不高”,因此我们可以找寻在一些场景下替换反射的方法.此处也只是一些栗子,更多巧妙的应用还是自己以后亲自查查~ 先来看看一个使用普通反射完 ...