使用wget工具抓取网页和图片 成功尝试

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

wget 网页抓取 图片抓取

目录[-]

奇怪的需求

wget概述

wget尝试

wget正解

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

?

wget尝试

根据wget的帮助文档，我尝试了下面这条命令

?
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

?
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：

?
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！

?
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！