Скачивание сайтов с помощью Wget

Опубликовано mensh - вт, 11/22/2005 - 15:41

GNU Wget — это утилита командной строки для скачивания файлов и зеркалирования сайтов по протоколам FTP и HTTP, присутствующая по умолчанию в дистрибутивах Linux.

Среди возможностей Wget — работа в фоновом режиме после выхода из  системы, рекурсивное извлечение каталогов, выбор файлов по шаблону, сравнение времени удаленных и локальных файлов, сохранение времени удаленных файлов при загрузке, использование REST с FTP серверами и Range с HTTP серверами для загрузки файлов по медленным или нестабильным каналам, поддержка прокси-серверов, конфигурируемость. Это самый настоящий интернет-насос.

Пользоваться Wget очень просто:

~$ wget http://drupal.mensh.ru/files/iron.tar.gz
--16:26:39-- http://drupal.mensh.ru/files/iron.tar.gz
 => `iron.tar.gz`
Распознаётся drupal... 78.110.56.234
Устанавливается соединение с drupal|78.110.56.234|:80... соединение установлено.
Запрос HTTP послан, ожидается ответ... 200 OK
Длина: 60 383 (59K) [application/x-gzip]

100%[=====================================================================>] 60 383 --.--K/s

16:26:39 (56.99 MB/s) - `iron.tar.gz` сохранён [60383/60383]

В случае обрыва связи докачка файла так же элементарна:

~$ wget -c http://drupal.mensh.ru/files/iron.tar.gz

Случаи получения битых файлов от Wget мне не известны.

Загрузка по списку (каждая ссылка в файле links.inf должна находиться на новой строке):

~$ wget -i links.inf

Загрузка только изображений с расширением .jpg:

~$ wget -A.jpg http://linuxcookbook.ru/

Следуя по ссылкам Wget способен создавать локальные версии сайтов, полностью копируя структуру оригинальных сайтов:

~$ wget --mirror -p --html-extension --base=./ -k -P ./ http://linuxcookbook.ru/

Опции Wget:

~$ wget --help
GNU Wget 1.10.2, программа для неинтерактивной загрузки файлов по сети.
Использование: wget [ОПЦИЯ]... [URL]...

Обязательные аргументы для длинных опций также являются обязательными и для коротких опций.

Запуск:
 -V, --version вывод версии Wget и выход.
 -h, --help вывод этой справки.
 -b, --background после запуска перейти в фоновый режим.
 -e, --execute=КОМАНДА выполнить команду в стиле `.wgetrc`.

Журналирование и входной файл:
 -o, --output-file=ФАЙЛ записывать сообщения в ФАЙЛ.
 -a, --append-output=ФАЙЛ дописывать сообщения в конец ФАЙЛА.
 -d, --debug вывод большого количества отладочной информации.
 -q, --quiet молча (без выходных данных).
 -v, --verbose подробный вывод (по умолчанию).
 -nv, --no-verbose отключение подробного режима, но не полностью.
 -i, --input-file=ФАЙЛ загрузка URL`ов, найденных в ФАЙЛЕ.
 -F, --force-html считать, что входной файл - HTML.
 -B, --base=URL добавление URL в начало относительных ссылок в файле -F -i.

Загрузка:
 -t, --tries=ЧИСЛО установить ЧИСЛО повторных попыток (0 без ограничения).
 --retry-connrefused повторять, даже если в подключении отказано.
 -O, --output-document=ФАЙЛ записывать документы в ФАЙЛ.
 -nc, --no-clobber пропускать загрузки, которые приведут к
 загрузке уже существующих файлов.
 -c, --continue возобновить загрузку частично загруженного файла.
 --progress=ТИП выбрать тип индикатора выполнения.
 -N, --timestamping не загружать повторно файлы, только если они
 не новее, чем локальные.
 -S, --server-response вывод ответа сервера.
 --spider ничего не загружать.
 -T, --timeout=СЕКУНДЫ установка значений всех тайм-аутов в СЕКУНДЫ.
 --dns-timeout=СЕК установка тайм-аута поиска в DNS в СЕК.
 --connect-timeout=СЕК установка тайм-аута подключения в СЕК.
 --read-timeout=СЕК установка тайм-аута чтения в СЕК.
 -w, --wait=СЕКУНДЫ пауза в СЕКУНДАХ между загрузками.
 --waitretry=СЕКУНДЫ пауза в 1..СЕКУНДЫ между повторными попытками загрузки.
 --random-wait пауза в 0...2*WAIT секунд между загрузками.
 -Y, --proxy явно включить прокси.
 --no-proxy явно выключить прокси.
 -Q, --quota=ЧИСЛО установить величину квоты загрузки в ЧИСЛО.
 --bind-address=АДРЕС привязка к АДРЕСУ (имя хоста или IP) локального хоста.
 --limit-rate=СКОРОСТЬ ограничение СКОРОСТИ загрузки.
 --no-dns-cache отключение кэширования поисковых DNS-запросов.
 --restrict-file-names=ОС ограничение на символы в именах файлов, использование которых допускает ОС.
 -4, --inet4-only подключаться только к адресам IPv4.
 -6, --inet6-only подключаться только к адресам IPv6.
 --prefer-family=СЕМЕЙСТВО подключаться сначала к адресам указанного семейства,
 может быть IPv6, IPv4 или ничего.
 --user=ПОЛЬЗОВАТЕЛЬ установить и ftp- и http-пользователя в ПОЛЬЗОВАТЕЛЬ.
 --password=ПАРОЛЬ установить и ftp- и http-пароль в ПАРОЛЬ.

Каталоги:
 -nd, --no-directories не создавать каталоги.
 -x, --force-directories принудительно создавать каталоги.
 -nH, --no-host-directories не создавать каталоги как на хосте.
 --protocol-directories использовать имя протокола в каталогах.
 -P, --directory-prefix=ПРЕФИКС сохранять файлы в ПРЕФИКС/...
 --cut-dirs=ЧИСЛО игнорировать ЧИСЛО компонентов удалённого каталога.

Опции HTTP:
 --http-user=ПОЛЬЗОВАТЕЛЬ установить http-пользователя в ПОЛЬЗОВАТЕЛЬ.
 --http-password=ПАРОЛЬ установить http-пароль в ПАРОЛЬ.
 --no-cache отвергать кэшированные сервером данные.
 -E, --html-extension сохранять HTML-документы с расширением `.html`.
 --ignore-length игнорировать поле заголовка `Content-Length`.
 --header=СТРОКА вставить СТРОКУ между заголовками.
 --proxy-user=ПОЛЬЗОВАТЕЛЬ установить ПОЛЬЗОВАТЕЛЯ в качестве имени пользователя для прокси.
 --proxy-password=ПАРОЛЬ установить ПАРОЛЬ в качестве пароля для прокси.
 --referer=URL включить в HTTP-запрос заголовок `Referer: URL`.
 --save-headers сохранять HTTP-заголовки в файл.
 -U, --user-agent=АГЕНТ идентифицировать себя как АГЕНТ вместо Wget/ВЕРСИЯ.
 --no-http-keep-alive отключить поддержание активности HTTP (постоянные подключения).
 --no-cookies не использовать кукисы.
 --load-cookies=ФАЙЛ загрузить кукисы из ФАЙЛА перед сеансом.
 --save-cookies=ФАЙЛ сохранить кукисы в ФАЙЛ после сеанса.
 --keep-session-cookies загрузить и сохранить кукисы сеанса (непостоянные).
 --post-data=СТРОКА использовать метод POST; отправка СТРОКИ в качестве данных.
 --post-file=ФАЙЛ использовать метод POST; отправка содержимого ФАЙЛА.

Опции HTTPS (SSL/TLS):
 --secure-protocol=ПР выбор безопасного протокола: auto, SSLv2,
 SSLv3 или TLSv1.
 --no-check-certificate не проверять сертификат сервера.
 --certificate=FILE файл сертификата пользователя.
 --certificate-type=ТИП тип сертификата пользователя: PEM или DER.
 --private-key=ФАЙЛ файл секретного ключа.
 --private-key-type=ТИП тип секретного ключа: PEM или DER.
 --ca-certificate=ФАЙЛ файл с набором CA.
 --ca-directory=КАТ каталог, в котором хранится список CA.
 --random-file=ФАЙЛ файл со случайными данными для SSL PRNG.
 --egd-file=ФАЙЛ файл, определяющий сокет EGD со случайными данными.

Опции FTP:
 --ftp-user=ПОЛЬЗОВАТЕЛЬ установить ftp-пользователя в ПОЛЬЗОВАТЕЛЬ.
 --ftp-password=ПАРОЛЬ установить ftp-пароль в ПАРОЛЬ.
 --no-remove-listing не удалять файлы файлы `.listing`.
 --no-glob выключить маски для имён файлов FTP.
 --no-passive-ftp отключить "пассивный" режим передачи.
 --retr-symlinks при рекурсии загружать файлы по ссылкам (не каталоги).
 --preserve-permissions сохранять права доступа удалённых файлов.

Рекурсивная загрузка:
 -r, --recursive включение рекурсивной загрузки.
 -l, --level=ЧИСЛО глубина рекурсии (inf и 0 - бесконечность).
 --delete-after удалять локальные файлы после загрузки.
 -k, --convert-links делать ссылки локальными в загруженном HTML.
 -K, --backup-converted перед преобразованием файла X делать резервную копию X.orig.
 -m, --mirror короткая опция, эквивалентная
 -N -r -l inf --no-remove-listing.
 -p, --page-requisites загрузить все изображения и проч., необходимые для отображения HTML-страницы.
 --strict-comments включить строгую (SGML) обработку комментариев HTML.

Разрешения/запреты при рекурсии:
 -A, --accept=СПИСОК список разрешённых расширений, разделённых запятыми.
 -R, --reject=СПИСОК список запрещённых расширений, разделённых запятыми.
 -D, --domains=СПИСОК список разрешённых доменов, разделённых запятыми.
 --exclude-domains=СПИСОК список запрещённых доменов, разделённых запятыми.
 --follow-ftp следовать по ссылкам FTP в HTML-документах.
 --follow-tags=СПИСОК список используемых тегов HTML, разделённых запятыми.
 --ignore-tags=СПИСОК список игнорируемых тегов HTML, разделённых запятыми.
 -H, --span-hosts заходить на чужие хосты при рекурсии.
 -L, --relative следовать только по относительным ссылкам.
 -I, --include-directories=СПИСОК список разрешённых каталогов.
 -X, --exclude-directories=СПИСОК список исключаемых каталогов.
 -np, --no-parent не подниматься в родительский каталог.

Wget очень удобно использовать в периодических скриптах, таких как cron:

~$ crontab -l
...
#run-parts
0 1 * * * wget -O /dev/null http://linuxcookbook/cron.php
...