Linux抓取网页方式（curl+wget）
发布时间：2015-02-02 18:27:41作者：知识屋
Linux抓取网页，简单方法是直接通过 curl 或 wget 两种命令。
curl 和 wget支持协议
curl 支持 http，https，ftp，ftps，scp，telnet等网络协议
wget支持 http，https，ftp网络协议curl 和 wget抓取实例
抓取网页，主要有url 网址和proxy代理两种方式
1、 url 网址方式抓取
（1）curl下载百度首页内容，保存在baidu_html文件中
curl http://www.baidu.com/ -o baidu_html
（2）wget下载百度首页内容，保存在baidu_html文件中
wget http://www.baidu.com/ -O baidu_html2
有的时候，由于网速/数据丢包/服务器宕机/等原因，导致暂时无法成功下载网页,这时，可能就需要多次尝试发送连接，请求服务器的响应；如果多次仍无响应，则可以确认服务器出问题了
（1）curl多次尝试连接
curl --retry 10 --retry-delay 60 --retry-max-time 60 http://www.baidu.com/ -o baidu_html
注： --retry表示重试次数； --retry-delay表示两次重试之间的时间间隔（秒为单位）； --retry-max-time表示在此最大时间内只容许重试一次（一般与--retry-delay相同）
（2）wget多次尝试连接
wget -t 10 -w 60 -T 30 http://www.baidu.com/ -O baidu_html2
注：-t（--tries）表示重试次数； -w表示两次重试之间的时间间隔（秒为单位）； -T表示连接超时时间，如果超时则连接不成功，继续尝试下一次连接
附： curl 判断服务器是否响应，还可以通过一段时间内下载获取的字节量来间接判断，命令格式如下：
curl -y 60 -Y 1 -m 60 http://www.baidu.com/ -o baidu_html
注：-y表示测试网速的时间； -Y表示-y这段时间下载的字节量（byte为单位）； -m表示容许请求连接的最大时间，超过则连接自动断掉放弃连接
2、 proxy代理方式抓取
proxy代理下载，是通过连接一台中间服务器间接下载url网页的过程，不是url直接连接网站服务器下载
两个著名的免费代理网站：
freeproxylists.net（全球数十个国家的免费代理，每日都更新）
xroxy.com（通过设置端口类型、代理类型、国家名称进行筛选）
在freeproxylists.net网站，选择一台中国的免费代理服务器为例，来介绍proxy代理抓取网页：
218.107.21.252:8080（ip为218.107.21.252；port为8080，中间以冒号“:”隔开，组成一个套接字）
（1）curl 通过代理抓取百度首页
curl -x 218.107.21.252:8080 -o aaaaa http://www.baidu.com（port 常见有80，8080，8086，8888，3128等，默认为80）
注：-x表示代理服务器（ip:port），即curl先连接到代理服务器218.107.21.252:8080，然后再通过218.107.21.252:8080下载百度首页，最后218.107.21.252:8080把下载的百度首页传给curl至本地（curl不是直接连接百度服务器下载首页的，而是通过一个中介代理来完成）
（2）wget 通过代理抓取百度首页
wget通过代理下载，跟curl不太一样，需要首先设置代理服务器的http_proxy=ip:port
以ubuntu为例，在当前用户目录（cd ~），新建一个wget配置文件（.wgetrc），输入代理配置：
http_proxy=218.107.21.252:8080
然后再输入wget抓取网页的命令：
wget http://www.baidu.com -O baidu_html2
代理下载截图：
=======================
抓取的百度首页数据（截图）：
其它命令参数用法，同url网址方式，在此不再赘述
ftp协议、迭代子目录等更多的curl 和 wget用法，可以man查看帮助手册
知识拓展：
在国内，由于某种原因一般难以直接访问国外某些敏感网站，需要通过 VPN 或 代理服务器才能访问
如果校园网和教育网有IPv6，则可以通过sixxs.org免费代理访问facebook、twitter、六维空间等网站
其实，除了VPN 和 IPv6+sixxs.org代理方式外，普通用户还是有其它途径访问到国外网站
下面介绍两个著名的免费代理网站：
freeproxylists.net（全球数十个国家的免费代理，每日都更新）
xroxy.com（通过设置端口类型、代理类型、国家名称进行筛选）
curl 项目实例
使用curl + freeproxylists.net免费代理，实现了全球12国家google play游戏排名的网页抓取以及趋势图查询（抓取网页模块全部使用Shell编写，核心代码约1000行）
游戏排名趋势图请见我先前的博客：JFreeChart项目实例
相关知识
-
linux一键安装web环境全攻略 在linux系统中怎么一键安装web环境方法
-
Linux网络基本网络配置方法介绍 如何配置Linux系统的网络方法
-
Linux下DNS服务器搭建详解 Linux下搭建DNS服务器和配置文件
-
对Linux进行详细的性能监控的方法 Linux 系统性能监控命令详解
-
linux系统root密码忘了怎么办 linux忘记root密码后找回密码的方法
-
Linux基本命令有哪些 Linux系统常用操作命令有哪些
-
Linux必学的网络操作命令 linux网络操作相关命令汇总
-
linux系统从入侵到提权的详细过程 linux入侵提权服务器方法技巧
-
linux系统怎么用命令切换用户登录 Linux切换用户的命令是什么
-
在linux中添加普通新用户登录 如何在Linux中添加一个新的用户
软件推荐
更多 >
-
1
专为国人订制！Linux Deepin新版发布2012-07-10
-
2
CentOS 6.3安装(详细图解教程)
-
3
Linux怎么查看网卡驱动?Linux下查看网卡的驱动程序
-
4
centos修改主机名命令
-
5
Ubuntu或UbuntuKyKin14.04Unity桌面风格与Gnome桌面风格的切换
-
6
FEDORA 17中设置TIGERVNC远程访问
-
7
StartOS 5.0相关介绍，新型的Linux系统！
-
8
解决vSphere Client登录linux版vCenter失败
-
9
LINUX最新提权 Exploits Linux Kernel <= 2.6.37
-
10
nginx在网站中的7层转发功能
