使用wget命令进行整站下载

网上流传着各种整站下载的软件，号称软件功能有多强大，但是结果不尽人意啊。其实我们手头就有一个功能异常强大的工具 -- wget命令。以前就知道wget有做网站镜像的功能，于是就折腾了一下，使用中遇到一些问题，最后得到了wget命令行：

wget -e robots=off -w 1 -x -np -p -m -k -t 1 -X/upload/ http://www.pythontab.com

为了让这个命令行的各选项意义更加明确，它还可以写成：

wget --execute robots=off --wait=1 --force-directories --no-parent --page-requisites --mirror --convert-links --tries=1 --exclude /upload/ http://www.pythontab.com

使用wget拷贝网站时的一些选项

下面对其中的各选项简要说明，做备忘之用。

‘-e command’

‘--execute 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：

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，使用-e robots=off参数即可绕过该限制。

-w seconds

--wait=seconds

为了不给被拷贝的镜像网站带来太大的访问压力，页面请求之间停下等待seconds时间。

-x

--force-directories

创建与镜像网站对应的目录结构。 http://www.example.com/robots.txt这个文件下载下来时，会等到对应的www.example.com/robots.txt。与之相反的是-nd，即--no-directories，

-np

--no-parent

只下载给定的目录下的文件，不下载它的上级目录中的文件，即使有些页面中存在上级目录中文件的连接。这个比较必要，如果不限定的话，本来只想下载www.example.com/blog/中的博客文章，最后很有可能将整个www.example.com都下载下来了。

-p

--page-requisites

下载能显示整个页面需要的所有资源，包括内嵌的image以及css样式文件。

-m

--mirror

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。

-k

--convert-links

这个选项会在整个网站下载完成后修HTML、CSS、Image等资源的链接关系，让它们都指向下载下来的本地文件，从而适合本地浏览。

-t times

--tries=times

如果某个资源下载失败，这个选项指定了重试下载的次数。.wgetrc默认的是20次。我们在下载网站时可以将其放小，一则减少下载时间，二则减轻镜像站点的压力。

-X /some/dir

--exclude /some/dir

可以用这个参数指定不需要下载的目录，如果有多个需要排除的目录，可以用逗号隔开，比如

-X /some/dir1;/some/dir2