使用 Python 和 wget 轻松下载网页和文件

Python 是一种功能强大且广受欢迎的编程语言，广泛应用于自动化、数据科学和应用程序开发等多个领域。它易于学习，并拥有庞大的模块和框架库，能够显著增强其功能。

wget 是一款命令行工具，可用于从互联网下载文件。它在大多数类 Unix 系统（包括 Linux 和 macOS）上广泛可用。wget 功能多样，既能下载单个文件，也能下载多个文件，甚至整个目录。

以下是 wget 的主要功能：

• 从互联网下载文件：Wget 可用于从互联网下载文件，包括网页、图片及其他类型的文件。
• 可自定义的下载选项：Wget 允许您指定各种选项来定制下载行为，例如文件的保存目录、文件名以及是否覆盖现有文件。
• 恢复中断的下载：如果下载过程中断，wget 可以从中断处继续下载，从而节省时间和带宽。
• 递归下载：wget 可以通过递归跟随链接来下载整个网站或目录。
• 支持 HTTP、HTTPS 和 FTP：Wget 能够处理多种互联网协议，包括 HTTP、HTTPS 和 FTP，使其成为从不同类型服务器下载文件的通用工具。
• 适用于大多数类 Unix 系统：wget 在大多数类 Unix 系统（包括 Linux 和 macOS）上广泛可用，使其在多种平台上都能轻松使用。

Python 与 wget 结合使用，可以自动化网页和文件的下载过程，从而节省时间和精力。可以通过 Python 对 wget 进行定制，并将网页抓取或文件下载任务集成到现有的 Python 脚本中。

选择在 Python 中使用 wget 有以下几个原因：

• 自动化：通过 Python 配合 wget，您可以实现从互联网下载文件的自动化。这能节省时间和精力，尤其是在需要下载大量文件或网页时。
• 可定制性：Wget 允许您指定各种选项来定制下载行为，例如文件的保存目录、文件名以及是否覆盖现有文件。通过 Python 结合使用 Wget，您可以编程设置这些选项，并根据需求定制下载过程。
• 易用性：Python 以其简单易懂和可读性强而著称，使其成为一种易于学习和使用的语言。通过在 Python 中使用 wget，您可以利用 Python 的强大功能，让网页抓取和文件下载任务变得更加轻松。
• 可扩展性：Python 是一种可扩展的语言，能够处理海量数据。通过在 Python 中使用 wget，您可以扩展网络爬取或文件下载任务的规模，以处理更大的数据集。

既然我们已经讨论了 Python 和 wget 的各自优势以及二者结合带来的好处，接下来让我们进入代码编写环节。

请确保您的计算机已安装 wget。如果您使用的操作系统是 Linux，则已预装该工具。

• 如果您是 Windows 用户，可以从本页面下载二进制文件。请务必将二进制文件的路径添加到 PATH 环境变量中。另一种选择是使用 WSL（Windows 子系统 for Linux）。点击此处了解更多相关信息。
• 如果您是 Mac 用户，请使用 brew 安装 wget

别忘了在此处查阅 wget 的详尽文档。

从官方网站获取 Python 的最新版本，并按照您所用平台的安装说明进行操作。安装完成后，您可以通过以下命令查看版本：

python3 --version

Python 中的 `subprocess` 模块允许您运行系统命令并捕获其输出。这是在 Python 脚本内部与操作系统交互的一种强大且灵活的方式。

要使用 `subprocess` 模块，首先需要将其导入到 Python 脚本中。然后，您可以使用 `subprocess.run()` 函数来运行系统命令并捕获其输出。

`run()` 函数将待执行的命令作为字符串参数，并返回一个 `CompletedProcess` 对象，该对象包含命令的退出代码、标准输出（stdout）和标准错误（stderr）。

以下是一个使用 `subprocess.run()` 函数运行 `ls` 命令的示例，该命令用于列出目录中的文件：

import subprocess

result = subprocess.run(['ls', '-l'])

print(result.stdout)

使用 `python3 main.py` 命令运行此代码。结果应如下所示。

total 4

-rw-r--r-- 1 dan dan 80 Jan 6 18:58 main.py

None

首先，让我们下载 WebScrapingAPI 的徽标。将参数列表替换为 `wget` 以及徽标 URL。命令将如下所示：

result = subprocess.run(['wget', 'https://www.webscrapingapi.com/images/logo/logo-white.svg'])

脚本将返回以下输出：

--2023-01-06 19:06:32-- https://www.webscrapingapi.com/images/logo/logo-white.svg

Resolving www.webscrapingapi.com (www.webscrapingapi.com)... 76.76.21.61, 76.76.21.98

Connecting to www.webscrapingapi.com (www.webscrapingapi.com)|76.76.21.61|:443... connected.

HTTP request sent, awaiting response... 200 OK

Length: 5391 (5.3K) [image/svg+xml]

Saving to: 'logo-white.svg'

logo-white.svg 100%[====================================================================================================================================================================>] 5.26K --.-KB/s in 0.06s

2023-01-06 19:06:33 (91.6 KB/s) - 'logo-white.svg' saved [5391/5391]

None

从输出中，我们可以看到 `wget` 如何解析域名、连接到该域名、收到 `200 OK` 响应码、获取文件长度（5.3k），并开始将文件以 `logo-white.svg` 的名称保存到本地。

您可以在项目文件夹中查找 `logo-white.svg` 文件。

您可以通过使用 `-P` 参数将文件下载到自定义目录中。让我们更新脚本并运行它以查看结果：

result = subprocess.run(['wget', '-P', 'images', 'https://www.webscrapingapi.com/images/logo/logo-white.svg'])

输出结果几乎相同，唯一的区别是文件被存储在 `./images/` 目录中。

使用 `-O` 参数，您可以为下载的文件指定一个新名称。让我们试一试：

result = subprocess.run(['wget', '-O', 'named-logo.svg', 'https://www.webscrapingapi.com/images/logo/logo-white.svg'])

请在项目文件夹中查找 `named-logo.svg` 文件。

您可以使用 `-N` 参数，仅在远程文件的版本比本地文件新时才下载该文件。命令如下所示：

result = subprocess.run(['wget', '-N', 'https://www.webscrapingapi.com/images/logo/logo-white.svg'])

如果下载中断，`wget` 可以从中断处继续下载，从而节省时间和带宽。要实现这一点，您需要使用 `-c` 选项，该选项会指示 `wget` 继续中断的下载。

命令示例如下：

result = subprocess.run(['wget', '-c', 'https://www.webscrapingapi.com/images/logo/logo-white.svg'])

如果文件下载已完成，您可以在输出中看到以下消息：

HTTP request sent, awaiting response... 416 Requested Range Not Satisfiable

The file is already fully retrieved; nothing to do.

Wget 可以通过递归跟踪链接来下载整个网站或目录。要实现这一点，您需要使用 `-r` 和 `-l` 选项：`-r` 选项指示工具递归跟踪链接，而 `-l` 选项则指定递归的最大深度。

result = subprocess.run(['wget', '-r', '-l', '2', 'https://www.webscrapingapi.com'])

该命令将下载位于 "https://www.webscrapingapi.com" 的网站，并追踪该网站上其他页面的链接，最大递归深度为 2。

在以下几种情况下，使用 curl、Beautiful Soup 或 Selenium 可能比 wget 更合适：

• 当需要设置 HTTP 头部或 Cookie 时：Curl 允许设置 HTTP 头部和 Cookie，这在与 API 交互或访问受保护的网站时非常有用。`wget` 不具备此功能。
• 当需要解析并从 HTML 中提取数据时：Beautiful Soup 是一个 Python 库，可轻松解析 HTML 文档并从中提取数据。wget 并非为解析网页并提取数据而设计。
• 当您需要以用户身份与网站交互时：Selenium 是一款工具，可让您自动化以用户身份与网站交互的过程。它可用于填写表单、点击按钮以及执行 wget 无法实现的其他操作。

Python 和 wget 是用于自动化下载文件和网页的强大工具。通过将 wget 与 Python 结合使用，您可以自定义下载设置，将网页抓取或文件下载任务集成到现有的 Python 脚本中，从而节省时间和精力。

不过，请务必遵守目标网站的服务条款，避免给服务器造成过载。

如果您正在寻找 wget 的替代方案用于网页抓取，不妨考虑使用 WebScrapingAPI。WebScrapingAPI 是一项专业的网页抓取服务，可让您轻松从网站中提取数据，而无需自行构建和维护网页抓取工具。

这是一款快速、可靠且经济高效的解决方案，适合各种规模的企业。

今天就试试吧！