把wget玩出花来：获得几乎你想要的一切！包括Dropbox和google drive

看完本文后，相信你可以把wget玩出新花样 😉

原理

在linux或者python中，我们经常会写

wget https://.....

或者

# 导入wget，如果没有使用pip安装: pip install wget
import wget 
# 网络地址
DATA_URL = 'https://......'
# 下载后的文件名称，默认是原名
out_fname = 'f:/'
wget.download(DATA_URL, out=out_fname)

很快就可以获得链接里的内容，下载的原理是递归下载:

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。

而且，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。

笔者就经常挂个wget去喝水，因为他稳定到几乎你不需要任何操作，不过详细了解wget之后，发现它能做的事情太多了。特此整理。

常见错误与指令

文件名错误

应该是wget使用者最常遇到的错误了吧：

使用wget时，有时候我们会遇到下载文件名不对，需要手工修改，原理：

wget默认会以最后一个符合”/”的后面的字符来命名，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.php?id=1080保存

wget http://www.centos.bz/download?id=1

即使下载的文件是zip格式，它仍然以download.php?id=1080命名。

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.centos.bz/download.php?

占用带宽过大

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。
使用limit-rate来限速：

wget –limit-rate=300k http://...

一键批量下载

使用wget -i下载多个文件
首先，保存一份下载链接文件

如：filelist.txt里有

url1
url2
url3
url4

接着使用这个文件和参数-i下载

wget -i filelist.txt

Dropbox和Google Drive

Dropbox

在笔者做深度学习相关的项目时，很多公开数据集都位于dropbox和google drive上，下载到linux本地确实要花一点心思，特此记录在这里：

参考：https://superuser.com/questions/470664/how-to-download-dropbox-files-using-wget-command
如果只用

wget https://www.dropbox.com/s/mx9eqve5l2ipgyk/test.txt

会发现下载不到test.txt。这里只需要把url后面加上?dl=1

```bash
https://www.dropbox.com/s/mx9eqve5l2ipgyk/test.txt?dl=1

当然，看了上文之后你会知道这样下载是命名错误的

wget -O /root/Desktop/test.txt "https://www.dropbox.com/s/mx9eqve5l2ipgyk/test.txt?dl=1

注意：这个修改对几乎任何Dropbox文件都有效，有时候你要做的是把末尾的?id=0变成?id=1
如笔者昨天遇到的例子：
wget文件夹的url是无效的

点击文件，获得带?dl=0具体的下载链接

将这个网站的?dl=0改为?dl=1即可实现wget

Google Drive

参考：https://stackoverflow.com/questions/20665881/direct-download-from-google-drive-using-google-drive-api

先去google 文件夹的UUID

https://drive.google.com/drive/folders/<folder UUID>

然后前往

https://googledrive.com/host/<folder UUID>

这会把你重定向到下载页，在这里你就可以找到直接下载的连接.

大型文件

大型文件目前没有好的wget解决方法(如果你遇到“无法检测病毒等等”)
目前解决的方法是：存储来自第一个请求的cookie，找到“仍然下载”按钮所指向的链接，然后使用此链接下载文件，但要重复使用从第一个请求中获得的cookie：

curl -c /tmp/cookies "https://drive.google.com/uc?export=download&id=DOCUMENT_ID" > /tmp/intermezzo.html
curl -L -b /tmp/cookies "https://drive.google.com$(cat /tmp/intermezzo.html | grep -Po 'uc-download-link" [^>]* href="\K[^"]*' | sed 's/\&/\&/g')" > FINAL_DOWNLOADED_FILENAME

这里推荐一个很好的下载工具：
https://github.com/google/skicka

全命令附表

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

---

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

---

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

---

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

---

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

---