Python - 爬虫-网页抓取数据-工具wget
Python - 爬虫之curl
一、wget
"wget" 这个名称来源于 “World Wide Web” 与 “get” 的结合。
wget 是在 Linux 下开发的开放源代码的软件，作者是Hrvoje Niksic，后来被移植到包括 Windows 在内的各个平台上。 wget 是一个下载文件的工具，它用在命令行下。对于 Linux 用户是必不可少的工具，尤其对于网络管理员，经常要下载一些软件或从远程服务器恢复备份到本地服务器。
如果我们使用虚拟主机，处理这样的事务我们只能先从远程服务器下载到我们电脑磁盘，然后再用ftp工具上传到服务器。这样既浪费时间又浪费精力，那不没办法的事。而到了Linux VPS，它则可以直接下载到服务器而不用经过上传这一步。wget工具体积小但功能完善，它支持断点下载功能，同时支持FTP和HTTP下载方式，支持代理服务器和设置起来方便简单。
wget具有以下功能和特点：
（1）支持断点下传
（2）同时支持FTP和HTTP下载方式
（3）支持代理服务器
常见操作系统上安装 wget 的方法：
1、在 Ubuntu/Debian 系统上安装 wget
打开终端，然后运行以下命令：
sudo apt update
sudo apt install wget2、在 CentOS/RHEL 系统上安装 wget
对于 CentOS/RHEL 7 或更早版本，可以使用 yum：
sudo yum install wget
对于 CentOS/RHEL 8 或 Fedora，使用 dnf：
sudo dnf install wget
3、在 macOS 上安装 wget（使用 Homebrew）
如果你使用的是 macOS，并且希望通过 Homebrew 来安装 wget，首先需要安装 Homebrew（如果尚未安装）：
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
然后，使用 Homebrew 安装 wget：
brew install wget
4、在 Windows 上安装 wget（使用 Chocolatey）
如果你在 Windows 上，并且想通过 Chocolatey 来安装 wget（类似于 Linux 的包管理器），首先需要安装 Chocolatey：
Set-ExecutionPolicy Bypass -Scope Process -Force; [System.Net.ServicePointManager]::SecurityProtocol = [System.Net.ServicePointManager]::SecurityProtocol -bor 3072; iex ((New-Object System.Net.WebClient).DownloadString('https://chocolatey.org/install.ps1'))然后，使用 Chocolatey 安装 wget：
choco install wget验证安装
安装完成后，你可以通过运行以下命令来验证 wget 是否正确安装：
wget --version更多参数：man wget
wget -h 或者 wget --help
命令格式：
wget [参数列表] [目标软件、网页的网址] // 用法： wget [选项]... [URL]...
长选项所必须的参数在使用短选项时也是必须的。
启动：
-V, --version 显示 Wget 的版本信息并退出
-h, --help 打印此帮助
-b, --background 启动后转入后台
-e, --execute=命令 运行一个“.wgetrc”风格的命令
日志和输入文件：
-o, --output-file=文件 将日志信息写入 FILE
-a, --append-output=文件 将信息添加至 FILE
-d, --debug 打印大量调试信息
-q, --quiet 安静模式 (无信息输出)
-v, --verbose 详尽的输出 (此为默认值)
-nv, --no-verbose 关闭详尽输出，但不进入安静模式
--report-speed=类型 以 <类型> 报告带宽。类型可以是 bits
-i, --input-file=文件 下载本地或外部 <文件> 中的 URL
-F, --force-html 把输入文件当成 HTML 文件
-B, --base=URL 解析相对于 URL 的 HTML 输入文件链接 (-i -F)
--config=文件 指定要使用的配置文件
--no-cookies 不读取任何配置文件
--rejected-log=文件 将拒绝 URL 的原因写入 <文件>。
下载：
-t, --tries=数字 设置重试次数为 <数字> (0 代表无限制)
--retry-connrefused 即使拒绝连接也是重试
-O, --output-document=文件 将文档写入 FILE
-nc, --no-clobber 不要下载已存在将被覆盖的文件
-c, --continue 断点续传下载文件
--start-pos=偏移量 从由零计数的 <偏移量> 开始下载
--progress=类型 选择进度条类型
--show-progress 在任意啰嗦状态下都显示进度条
-N, --timestamping 只获取比本地文件新的文件
--no-if-modified-since 不要在时间戳 (timestamping) 模式下使用
if-modified-since get 条件请求
--no-use-server-timestamps don't set the local file's timestamp by
the one on the server
-S, --server-response 打印服务器响应
--spider 不下载任何文件
-T, --timeout=SECONDS 将所有超时设为 SECONDS 秒
--dns-timeout=SECS 设置 DNS 查寻超时为 SECS 秒
--connect-timeout=SECS 设置连接超时为 SECS 秒
--read-timeout=SECS 设置读取超时为 SECS 秒
-w, --wait=SECONDS 等待间隔为 SECONDS 秒
--waitretry=SECONDS 在获取文件的重试期间等待 1..SECONDS 秒
--random-wait 获取多个文件时，每次随机等待间隔 (0.5~1.5)*WAIT 秒
--no-proxy 禁止使用代理
-Q, --quota=数字 设置获取配额为 <数字> 字节
--bind-address=ADDRESS 绑定至本地主机上的 ADDRESS (主机名或是 IP)
--limit-rate=RATE 限制下载速率为 RATE
--no-dns-cache 关闭 DNS 查询缓存
--restrict-file-names=系统 限定文件名中的字符为 <系统> 允许的字符
--ignore-case 匹配文件/目录时忽略大小写
-4, --inet4-only 仅连接至 IPv4 地址
-6, --inet6-only 仅连接至 IPv6 地址
--prefer-family=地址族 首先连接至指定家族（IPv6，IPv4 或 none）的地址
--user=用户 将 ftp 和 http 的用户名均设置为 <用户>
--password=密码 将 ftp 和 http 的密码均设置为 <密码>
--ask-password 提示输入密码
--no-iri 关闭 IRI 支持
--local-encoding=ENC 使用 ENC 作为 IRI (国际化资源标识符) 的本地编码
--remote-encoding=ENC 使用 ENC 作为默认远程编码
--unlink 覆盖前移除文件
目录：
-nd, --no-directories 不创建目录
-x, --force-directories 强制创建目录
-nH, --no-host-directories 不要创建主 (host) 目录
--protocol-directories 在目录中使用协议名称
-P, --directory-prefix=前缀 保存文件到 <前缀>/..
--cut-dirs=数字 忽略远程目录中 <数字> 个目录层。
HTTP 选项：
--http-user=用户 设置 http 用户名为 <用户>
--http-password=密码 设置 http 密码为 <密码>
--no-cache 不使用服务器缓存的数据。
--default-page=NAME 改变默认页 (通常是“index.html”)。
-E, --adjust-extension 以合适的扩展名保存 HTML/CSS 文档
--ignore-length 忽略头部的‘Content-Length’区域
--header=字符串 在头部插入 <字符串>
--max-redirect 每页所允许的最大重定向
--proxy-user=用户 使用 <用户> 作为代理用户名
--proxy-password=密码 使用 <密码> 作为代理密码
--referer=URL 在 HTTP 请求头包含‘Referer: URL’
--save-headers 将 HTTP 头保存至文件。
-U, --user-agent=代理 标识自己为 <代理> 而不是 Wget/VERSION。
--no-http-keep-alive 禁用 HTTP keep-alive (持久连接)。
--no-cookies 不使用 cookies。
--load-cookies=文件 会话开始前从 <文件> 中载入 cookies。
--save-cookies=文件 会话结束后保存 cookies 至 FILE。
--keep-session-cookies 载入并保存会话 (非永久) cookies。
--post-data=字符串 使用 POST 方式；把 <字串>作为数据发送。
--post-file=文件 使用 POST 方式；发送 <文件> 内容。
--method=HTTP方法 在请求中使用指定的 <HTTP 方法>。
--post-data=字符串 把 <字串> 作为数据发送，必须设置 --method
--post-file=文件 发送 <文件> 内容，必须设置 --method
--content-disposition 当选择本地文件名时允许 Content-Disposition
头部 (实验中)。
--content-on-error 在服务器错误时输出接收到的内容
--auth-no-challenge 不先等待服务器询问就发送基本 HTTP 验证信息。
HTTPS (SSL/TLS) 选项：
--secure-protocol=PR 选择安全协议，可以是 auto、SSLv2、
SSLv3、TLSv1、PFS 中的一个。
--https-only 只跟随安全的 HTTPS 链接
--no-check-certificate 不要验证服务器的证书。
--certificate=文件 客户端证书文件。
--certificate-type=类型 客户端证书类型，PEM 或 DER。
--private-key=文件 私钥文件。
--private-key-type=类型 私钥文件类型，PEM 或 DER。
--ca-certificate=文件 带有一组 CA 证书的文件。
--ca-directory=DIR 保存 CA 证书的哈希列表的目录。
--ca-certificate=文件 带有一组 CA 证书的文件。
--pinnedpubkey=FILE/HASHES Public key (PEM/DER) file, or any number
of base64 encoded sha256 hashes preceded by
'sha256//' and seperated by ';', to verify
peer against
HSTS 选项：
--no-hsts 禁用 HSTS
--hsts-file HSTS 数据库路径（将覆盖默认值）
FTP 选项：
--ftp-user=用户 设置 ftp 用户名为 <用户>。
--ftp-password=密码 设置 ftp 密码为 <密码>
--no-remove-listing 不要删除‘.listing’文件
--no-glob 不在 FTP 文件名中使用通配符展开
--no-passive-ftp 禁用“passive”传输模式
--preserve-permissions 保留远程文件的权限
--retr-symlinks 递归目录时，获取链接的文件 (而非目录)
FTPS 选项：
--ftps-implicit 使用隐式 FTPS（默认端口 990）
--ftps-resume-ssl 打开数据连接时继续控制连接中的 SSL/TLS 会话
--ftps-clear-data-connection 只加密控制信道；数据传输使用明文
--ftps-fallback-to-ftp 回落到 FTP，如果目标服务器不支持 FTPS
WARC 选项：
--warc-file=文件名 在一个 .warc.gz 文件里保持请求/响应数据
--warc-header=字符串 在头部插入 <字符串>
--warc-max-size=数字 将 WARC 的最大尺寸设置为 <数字>
--warc-cdx 写入 CDX 索引文件
--warc-dedup=文件名 不要记录列在此 CDX 文件内的记录
--no-warc-compression 不要 GZIP 压缩 WARC 文件
--no-warc-digests 不要计算 SHA1 摘要
--no-warc-keep-log 不要在 WARC 记录中存储日志文件
--warc-tempdir=目录 WARC 写入器的临时文件目录
递归下载：
-r, --recursive 指定递归下载
-l, --level=数字 最大递归深度 (inf 或 0 代表无限制，即全部下载)。
--delete-after 下载完成后删除本地文件
-k, --convert-links 让下载得到的 HTML 或 CSS 中的链接指向本地文件
--convert-file-only convert the file part of the URLs only (usually known as the basename)
--backups=N 写入文件 X 前，轮换移动最多 N 个备份文件
-K, --backup-converted 在转换文件 X 前先将它备份为 X.orig。
-m, --mirror -N -r -l inf --no-remove-listing 的缩写形式。
-p, --page-requisites 下载所有用于显示 HTML 页面的图片之类的元素。
--strict-comments 用严格方式 (SGML) 处理 HTML 注释。
递归接受/拒绝：
-A, --accept=列表 逗号分隔的可接受的扩展名列表
-R, --reject=列表 逗号分隔的要拒绝的扩展名列表
--accept-regex=REGEX 匹配接受的 URL 的正则表达式
--reject-regex=REGEX 匹配拒绝的 URL 的正则表达式
--regex-type=类型 正则类型 (posix|pcre)
-D, --domains=列表 逗号分隔的可接受的域名列表
--exclude-domains=列表 逗号分隔的要拒绝的域名列表
--follow-ftp 跟踪 HTML 文档中的 FTP 链接
--follow-tags=列表 逗号分隔的跟踪的 HTML 标识列表
--ignore-tags=列表 逗号分隔的忽略的 HTML 标识列表
-H, --span-hosts 递归时转向外部主机
-L, --relative 仅跟踪相对链接
-I, --include-directories=列表 允许目录的列表
--trust-server-names 使用重定向 URL 的最后一段作为本地文件名
-X, --exclude-directories=列表 排除目录的列表
-np, --no-parent 不追溯至父目录wget常用命令
- -O, --output-document=FILE：指定输出文件名12。
- -P, --directory-prefix=PREFIX：将所有文件保存到目录 PREFIX/12。
- -c, --continue：继续下载部分完成的文件（断点续传）12。
- -b, --background：启动后转入后台执行12。
- -t, --tries=NUMBER：设置最大重试次数（0 表示无限制）12。
- -w, --wait=SECONDS：两次尝试之间等待 SECONDS 秒（此选项在部分搜索结果中未提及，但属于wget的可用选项）5。
- -q, --quiet：静默模式，不显示进度条等信息12。
- -v, --verbose：冗长模式，增加输出信息12。
- --limit-rate=RATE：限制下载速率为 RATE34。
- -r, --recursive：递归下载，即下载指定URL中所有链接指向的文件（注意：此选项在部分搜索结果中仅提及了递归下载网站的概念，但
-r是确切的选项用于递归下载）12。 - -U, --user-agent=AGENT：User-Agent字符串，用于伪装浏览器或其他客户端身份24。
其他高级选项
- -o, --output-file=FILE：将日志信息写入 FILE5。
- -a, --append-output=FILE：将信息添加至 FILE5。
- -nv, --no-verbose：关闭详细输出，但不进入安静模式5。
- -i, --input-file=FILE：下载本地或外部 FILE 中的 URL5。
- -N, --timestamping：只获取比本地文件新的文件5。
- -S, --server-response：打印服务器响应头信息5。
- --spider：不下载任何文件，仅检查URL是否有效5。
- -nd, --no-directories：不创建目录5。
- -x, --force-directories：强制创建目录5。
1. 下载单个文件
wget http://example.com/file.zip2. 下载并保存为特定文件名
wget -O newname.zip http://example.com/file.zip3. 下载整个网站
wget -r http://example.com/4. 下载并以本地目录结构保存
wget -r --no-parent http://example.com/dir/5. 限制下载速度
wget --limit-rate=200k http://example.com/file.zip6. 设置重试次数
wget --tries=40 http://example.com/file.zip7. 继续未完成的下载
wget -c http://example.com/file.zip8. 下载并以时间戳命名文件
wget -N http://example.com/file.zip9. 使用代理服务器下载
wget --proxy=on --http-user=username --http-passwd=password http://example.com/file.zip或者使用环境变量：
export http_proxy="http://proxy.server.com:port/"
wget http://example.com/file.zip10. 下载并查看进度条（需要外部工具如 wget2 或使用 --progress=bar）
wget --progress=bar http://example.com/file.zip
或者使用 wget2：
wget2 http://example.com/file.zip（注意：wget2 可能不是所有系统默认安装的，可以通过包管理器安装，例如在 Ubuntu 上使用 sudo apt-get install wget2）
11. 设置超时时间
wget --timeout=20 http://example.com/file.zip12. 使用 HTTPS 协议下载文件（需要安装 openssl）
wget --no-check-certificate https://example.com/file.zip
或者使用 curl（如果更喜欢使用它）：
curl -O https://example.com/file.zip13. 下载多个文件（使用循环或并行）
使用循环：
for i in {1..5}; do wget http://example.com/file$i.zip; done
使用 xargs 和 parallel（如果已安装）：
seq 5 | xargs -I {} wget http://example.com/file{}.zip &> /dev/null & # 使用后台运行多个下载任务，抑制输出到控制台。注意：并行下载可能会对服务器造成压力，使用时需谨慎。
或者使用 parallel 直接：
parallel wget ::: http://example.com/file{1..5}.zip # 使用 GNU parallel 来二、curl和wget区别
curl和wget都是命令行工具，用于从Web服务器下载文件或数据，但它们在功能、使用场景和支持的协议等方面存在显著差异。
功能差异
-
curl：
- 多功能性：curl支持多种网络协议，包括HTTP、FTP、SMTP、POP3等，可以用于上传、下载、发送邮件等多种操作。
- 输出方式：默认情况下，curl的输出内容会显示在终端上，但可以通过-o或-O选项保存到文件。
- 高级功能：curl支持HTTP/2、HTTP/3、双向交互、多部分/表单数据发送等功能，适合复杂的网络操作和自动化脚本。
-
wget：
- 简单性：wget主要用于HTTP和FTP协议的下载，不支持其他协议和操作。
- 递归下载：wget具有递归下载功能，可以下载网页中引用的所有内容，包括HTML页面链接和FTP目录列表。
- 默认行为：默认情况下，wget会将内容保存到本地文件，无需其他选项即可简单地将远程URL下载到本地文件。
使用场景
- curl：由于其多功能性和高级功能，curl更适合需要进行复杂网络操作和自动化脚本的场景，例如测试API接口、发送各种HTTP请求等。
- wget：由于其简单性和递归下载功能，wget更适合简单的自动化下载任务和需要递归下载整个网站的情况。
协议支持
- curl：支持FTP(S), Gopher, HTTP(S), SCP, SFTP, TFTP, TELNET, DICT, LDAP(S), MQTT, FILE, POP3(S), IMAP(S), SMB/CIFS, SMTP(S), RTMP, RTSP等多种协议。
- wget：主要支持HTTP(S)和FTP协议。
curl 和 wget 都是用于从命令行下载文件的工具，它们在很多方面有相似性，但也有一些关键的区别。以下是两者的详细比较：
1. 基本功能
curl（Client URL）：一个强大的命令行工具，支持多种协议（如 HTTP、HTTPS、FTP、SFTP、SMTP 等）。它不仅能下载文件，还能上传文件、发送数据、执行 API 请求等，功能非常强大。wget：一个专门用于下载文件的命令行工具，主要支持 HTTP、HTTPS 和 FTP 协议。它的特点是简单易用，通常用于下载文件或递归地下载整个网站。
2. 支持的协议
curl支持更多的协议：除了 HTTP/HTTPS 和 FTP 外，curl还支持 SFTP、FTPS、SMTP、IMAP、POP3 等。wget主要支持 HTTP、HTTPS 和 FTP。
3. 下载方式
-
curl：- 默认不会保存文件到本地磁盘，下载的数据会输出到标准输出（屏幕）。
- 通过
-o或-O选项来指定保存的文件名。 - 适用于发送 HTTP 请求（GET、POST、PUT 等）并获取响应内容。
- 支持对 API 请求进行更细致的控制（如设置 HTTP 头、POST 请求、文件上传等）。
示例：
curl -O https://example.com/file.txt # 下载并保存为 file.txt curl -o custom_name.txt https://example.com/file.txt # 下载并保存为 custom_name.txt -
wget：- 默认会将下载的文件保存到当前目录。
- 对于递归下载网站（例如下载整个网站或目录）非常方便。
- 对 HTTP 请求的控制较少，但可以通过命令行选项进行简单的定制。
示例：
wget https://example.com/file.txt # 下载并保存为 file.txt wget -O rename.txt https://example.com/file.txt # 下载并保存为 rename.txt
4. 限速下载
curlcurl --limit-rate 50k -O https://example.com/file.txtwgetwget --limit-rate=50k https://example.com/file.txt
5. 递归下载
curl本身不支持递归下载。尽管可以通过编写脚本实现递归下载，但它并没有原生的支持。wget支持递归下载，这是它的一大优势。例如，你可以下载整个网站或目录：wget -r https://example.com/directory/ # 递归下载目录中的所有文件
6. 断点续传
-
curl支持断点续传（-C选项）。如果下载过程中中断，重新执行curl时可以从中断处继续下载。 -
wget也支持断点续传（-c选项），在下载中断时，可以继续从上次下载的地方恢复。示例：
curl -C - -O https://example.com/largefile.zip # 断点续传 wget -c https://example.com/largefile.zip # 断点续传
7. 多线程下载
curl没有内建的多线程下载功能，虽然可以使用aria2等工具结合使用来实现。wget也不支持多线程下载，但可以结合其他工具实现多线程。
8. 上传文件
-
curl支持通过-F选项上传文件，适用于与 API 交互时上传文件。
示例：curl -F "file=@localfile.txt" https://example.com/upload -
wget不支持直接上传文件，它专注于下载。
9. 配置和灵活性
-
curl提供了更多的灵活性和可配置性，适用于复杂的 HTTP 请求（如自定义 HTTP 头、Cookie 支持、认证等）。- 示例：发送 POST 请求并附带数据：
curl -X POST -d "name=John&age=30" https://example.com/submit
- 示例：发送 POST 请求并附带数据：
-
wget相对简单，适合直接下载文件，不需要进行复杂的配置。
10. 错误处理
curl：默认会返回错误信息，但它不会退出程序，除非显式使用-f选项（表示只在请求失败时返回错误）。wget：会在遇到错误时返回退出码，并根据错误类型打印不同的信息。
11. 安装和可用性
curl：在大多数现代 Linux 发行版中默认安装，且支持多种操作系统（Linux、macOS、Windows）。wget：通常也会默认安装在 Linux 系统中，但在某些轻量级系统中可能需要手动安装。
总结：
curl：功能更强大，支持更多协议，适合做更复杂的 HTTP 请求和文件上传等任务。wget：更简单，专注于文件下载，特别是在需要递归下载或者从 FTP 下载时非常方便。
如果你只是需要简单的文件下载，可以使用 wget；如果你需要更多的控制，或者想要与 API 交互，建议使用 curl。