Wget 源码分析

Table of Contents

1 简介1


Wget2是一个在网络上进行下载的简单而强大的自由软件,其本身也是 GNU 计划的一部分。它的名字是“World Wide Web”和“Get”的结合,同时也隐含了软件的主要功能。目前它支持通过 HTTP、HTTPS,以及 FTP 这三个最常见的 TCP/IP 协议协议下载。

Wget 非常稳定,它在带宽很窄的情况下和不稳定网络中有很强的适应性. 如果是由于网络的原因下载失败,wget 会不断的尝试,直到整个文件下载完毕。如果是服务器打断下载过程,它会再次联到服务器上从停止的地方继续下载。这对从那些限定了链接时间的服务器上下载大文件非常有用。

由于没有交互式界面,在类 Unix 平台上 Wget 可在后台运行,截获并忽略 HANGUP 信号,因此在用户退出登录以后,仍可继续运行。通常,Wget 用于成批量地下载 Internet 网站上的文件,或制作远程网站的镜像。

在其之上的图形界面应用程序有:GNOME 下面的 gwget3。Windows 系统下面的 wGetGUI4

1.1 主要特点

  • 支持递归下载。

    Wget 可以跟踪 HTML 页面上的链接依次下载来创建远程服务器的本地版本,完全重建原始站点的目录结构。这又常被称作” 递归下载”。在递归下载的时候,wget 遵循 Robot Exclusion 标准 (/robots.txt). wget 可以在下载的同时,将链接转换成指向本地文件,以方便离线浏览。

  • 支持代理服务器

    对安全强度很高的系统而言,一般不会将自己的系统直接暴露在互联网上,所以,支持代理是下载软件必须有的功能。

1.2 缺点

  • 支持的协议较少,特别是 cURL 相比。流行的流媒体协议 mms 和 rtsp 没有得到支持,还有广泛使用各种的 P2P 协议也没有涉及。
  • 支持协议过老。目前 HTTP 还是使用 1.0 版本,而 HTML 中通过 JavaScript 和 CSS 引用的文件不能下载。
  • 灵活性不强,扩展性不高。面对复杂的镜像站会出现问题。
  • 命令过于复杂,可选的设置项有上百个。
  • 安全问题。

2 使用


2.1 命令格式:

   wget [options] [URL]

2.2 命令参数:

2.2.1 启动参数:

  • -V, --version 显示 wget 的版本后退出
  • -h, --help 打印语法帮助
  • -b, --background 启动后转入后台执行
  • -e, --execute=COMMAND 执行 `.wgetrc’格式的命令,wgetrc 格式参见 etc/wgetrc 或~.wgetrc

2.2.2 记录和输入文件参数:

  • -o, --output-file=FILE 把记录写到 FILE 文件中
  • -a, --append-output=FILE 把记录追加到 FILE 文件中
  • -d, --debug 打印调试输出
  • -q, --quiet 安静模式 (没有输出)
  • -v, --verbose 冗长模式 (这是缺省设置)
  • -nv, --non-verbose 关掉冗长模式,但不是安静模式
  • -i, --input-file=FILE 下载在 FILE 文件中出现的 URLs
  • -F, --force-html 把输入文件当作 HTML 格式文件对待
  • -B, --base=URL 将 URL 作为在 - F -i 参数指定的文件中出现的相对链接的前缀
  • --sslcertfile=FILE 可选客户端证书
  • --sslcertkey=KEYFILE 可选客户端证书的 KEYFILE
  • --egd-file=FILE 指定 EGD socket 的文件名

2.2.3 下载参数:

  • --bind-address=ADDRESS 指定本地使用地址 (主机名或 IP,当本地有多个 IP 或名字时使用)
  • -t, --tries=NUMBER 设定最大尝试链接次数 (0 表示无限制).
  • -O --output-document=FILE 把文档写到 FILE 文件中
  • -nc, --no-clobber 不要覆盖存在的文件或使用.# 前缀
  • -c, --continue 接着下载没下载完的文件
  • --progress=TYPE 设定进程条标记
  • -N, --timestamping 不要重新下载文件除非比本地文件新
  • -S, --server-response 打印服务器的回应
  • --spider 不下载任何东西
  • -T, --timeout=SECONDS 设定响应超时的秒数
  • -w, --wait=SECONDS 两次尝试之间间隔 SECONDS 秒
  • --waitretry=SECONDS 在重新链接之间等待 1…SECONDS 秒
  • --random-wait 在下载之间等待 0…2*WAIT 秒
  • -Y, --proxy=on/off 打开或关闭代理
  • -Q, --quota=NUMBER 设置下载的容量限制
  • --limit-rate=RATE 限定下载输率

2.2.4 目录参数:

  • -nd --no-directories 不创建目录
  • -x, --force-directories 强制创建目录
  • -nH, --no-host-directories 不创建主机目录
  • -P, --directory-prefix=PREFIX 将文件保存到目录 PREFIX/…
  • --cut-dirs=NUMBER 忽略 NUMBER 层远程目录

2.2.5 HTTP 选项参数:

  • --http-user=USER 设定 HTTP 用户名为 USER.
  • --http-passwd=PASS 设定 http 密码为 PASS
  • -C, --cache=on/off 允许 / 不允许服务器端的数据缓存 (一般情况下允许)
  • -E, --html-extension 将所有 text/html 文档以. html 扩展名保存
  • --ignore-length 忽略 `Content-Length’头域
  • --header=STRING 在 headers 中插入字符串 STRING
  • --proxy-user=USER 设定代理的用户名为 USER
  • --proxy-passwd=PASS 设定代理的密码为 PASS
  • --referer=URL 在 HTTP 请求中包含 `Referer: URL’头
  • -s, --save-headers 保存 HTTP 头到文件
  • -U, --user-agent=AGENT 设定代理的名称为 AGENT 而不是 Wget/VERSION
  • --no-http-keep-alive 关闭 HTTP 活动链接 (永远链接)
  • --cookies=off 不使用 cookies
  • --load-cookies=FILE 在开始会话前从文件 FILE 中加载 cookie
  • --save-cookies=FILE 在会话结束后将 cookies 保存到 FILE 文件中

2.2.6 FTP 选项参数:

  • -nr, --dont-remove-listing 不移走 `.listing’文件
  • -g, --glob=on/off 打开或关闭文件名的 globbing 机制
  • --passive-ftp 使用被动传输模式 (缺省值).
  • --active-ftp 使用主动传输模式
  • --retr-symlinks 在递归的时候,将链接指向文件 (而不是目录)

2.2.7 递归下载参数:

  • -r, --recursive 递归下载--慎用!
  • -l, --level=NUMBER 最大递归深度 (inf 或 0 代表无穷)
  • --delete-after 在现在完毕后局部删除文件
  • -k, --convert-links 转换非相对链接为相对链接
  • -K, --backup-converted 在转换文件 X 之前,将之备份为 X.orig
  • -m, --mirror 等价于 -r -N -l inf -nr
  • -p, --page-requisites 下载显示 HTML 文件的所有图片

2.2.8 递归下载中的包含和不包含 (accept/reject):

  • -A, --accept=LIST 分号分隔的被接受扩展名的列表
  • -R, --reject=LIST 分号分隔的不被接受的扩展名的列表
  • -D, --domains=LIST 分号分隔的被接受域的列表
  • --exclude-domains=LIST 分号分隔的不被接受的域的列表
  • --follow-ftp 跟踪 HTML 文档中的 FTP 链接
  • --follow-tags=LIST 分号分隔的被跟踪的 HTML 标签的列表
  • -G, --ignore-tags=LIST 分号分隔的被忽略的 HTML 标签的列表
  • -H, --span-hosts 当递归时转到外部主机
  • -L, --relative 仅仅跟踪相对链接
  • -I, --include-directories=LIST 允许目录的列表
  • -X, --exclude-directories=LIST 不被包含目录的列表
  • -np, --no-parent 不要追溯到父目录
  • wget -S --spider url 不下载只显示过程

2.3 使用实例:

2.3.1 实例 1:使用 wget 下载单个文件

以下的例子是从网络下载一个文件并保存在当前目录,在下载的过程中会显示进度条,包含(下载完成百分比,已经下载的字节,当前下载速度,剩余下载时间)。

    wget http://www.minjieren.com/wordpress-3.1-zh_CN.zip

2.3.2 实例 2:使用 wget -O 下载并以不同的文件名保存

wget 默认会以最后一个符合”/” 的后面的字符来命令,对于动态链接的下载通常文件名会不正确。下面的例子会下载一个文件并以名称 download.aspx?id=1080 保存

    wget http://www.minjieren.com/download?id=1

即使下载的文件是 zip 格式,它仍然以 download.php?id=1080 命令。为了解决这个问题,我们可以使用参数 - O 来指定一个文件名:

    wget -O wordpress.zip http://www.minjieren.com/download.aspx?id=1080

2.3.3 实例 3:使用 wget –limit -rate 限速下载

当你执行 wget 的时候,它默认会占用全部可能的宽带下载。但是当你准备下载一个大文件,而你还需要下载其它文件时就有必要限速了。

    wget --limit-rate=300k http://www.minjieren.com/wordpress-3.1-zh_CN.zip

2.3.4 实例 4:使用 wget -c 断点续传

使用 wget -c 重新启动下载中断的文件,对于我们下载大文件时突然由于网络等原因中断非常有帮助,我们可以继续接着下载而不是重新下载一个文件。需要继续中断的下载时可以使用 - c 参数。

    wget -c http://www.minjieren.com/wordpress-3.1-zh_CN.zip

2.3.5 实例 5:使用 wget -b 后台下载

对于下载非常大的文件的时候,我们可以使用参数 - b 进行后台下载。

    wget -b http://www.minjieren.com/wordpress-3.1-zh_CN.zip

你可以使用以下命令来察看下载进度:tail -f wget-log

2.3.6 实例 6:伪装代理名称下载

有些网站能通过根据判断代理名称不是浏览器而拒绝你的下载请求。不过你可以通过–user-agent 参数伪装。

    wget --user-agent="Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.16 (KHTML, like Gecko) Chrome/10.0.648.204 Safari/534.16" http://www.minjieren.com/wordpress-3.1-zh_CN.zip

2.3.7 实例 7:使用 wget –spider 测试下载链接

当你打算进行定时下载,你应该在预定时间测试下载链接是否有效。我们可以增加–spider 参数进行检查。

    wget --spider URL

2.3.8 实例 8:使用 wget –tries 增加重试次数

如果网络有问题或下载一个大文件也有可能失败。wget 默认重试 20 次连接下载文件。如果需要,你可以使用–tries 增加重试次数。

    wget --tries=40 URL

2.3.9 实例 9:使用 wget -i 下载多个文件

下载文件中所有的连接:

    wget -i filelist.txt

2.3.10 实例 10:使用 wget –mirror 镜像网站

下载整个网站到本地。

    wget --mirror -p --convert-links -P ./LOCAL URL

说明:

  • –miror: 开户镜像下载
  • -p: 下载所有为了 html 页面显示正常的文件
  • –convert-links: 下载后,转换成本地的链接
  • -P ./LOCAL:保存所有文件和目录到本地指定目录

2.3.11 实例 11:使用 wget –reject 过滤指定格式下载

下载一个网站,但你不希望下载图片,可以使用以下命令。

    wget --reject=gif ur

2.3.12 实例 12:使用 wget -o 把下载信息存入日志文件

不希望下载信息直接显示在终端而是在一个日志文件,可以使用

    wget -o download.log URL

2.3.13 实例 13:使用 wget -Q 限制总下载文件大小

当你想要下载的文件超过 5M 而退出下载,你可以使用。注意:这个参数对单个文件下载不起作用,只能递归下载时才有效。

    wget -Q5m -i filelist.txt

2.3.14 实例 14:使用 wget -r -A 下载指定格式文件

下载一个网站的所有 PDF 文件:

    wget -r -A.pdf url

2.3.15 实例 15:使用 wget FTP 下载

使用 wget 匿名 ftp 下载:

    wget ftp-url

使用 wget 用户名和密码认证的 ftp 下载

    wget --ftp-user=USERNAME --ftp-password=PASSWORD url

3 源码分析


Footnotes:

Author: lsl

Created: 2017-08-30 三 16:07

Emacs 25.2.2 (Org mode 8.2.10)

Validate