Linux 抓取网页方式（curl+wget）

Linux抓取网页，简单方法是直接通过 curl 或 wget 两种命令。

curl 和 wget 命令，目前已经支持Linux和Windows平台，后续将介绍。

curl 和 wget支持协议

curl 支持 http，https，ftp，ftps，scp，telnet等网络协议，详见手册 man curl

wget支持 http，https，ftp网络协议，详见手册man wget

curl 和 wget下载安装

1、Ubuntu平台

wget 命令安装： sudo apt-get install wget （普通用户登录，需输入密码； root账户登录，无需输入密码）

curl 命令安装： sudo apt-get install curl （同 wget）

2、Windows平台

wget 下载地址：wget for Windows

curl 下载地址：curl Download

wget 和 curl 打包下载地址：Windows平台下的wget和curl工具包

Windows平台下，curl下载解压后，直接是curl.exe格式，拷贝到系统命令目录下C:\Windows\System32 即可

Windows平台下，wget下载解压后，是wget-1.11.4-1-setup.exe格式，需要安装；安装后，在环境变量 - 系统变量 - Path 中添加其安装目录即可

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，下面以抓取“百度”首页为例，分别介绍

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