环境：linux系统（各种发行版皆可），windows下强烈推荐cygwin环境

常规用法：

1. 直接下载一个文件，默认按最后一级文件名保存到本地： wget {your-url}
2. 如需自定义保存文件名则增加参数 -O 指定保留文件路径： wget -O {save-file-name} {your-url}
   
3. 下载一批文件，把文件路径放到一个文本文件中，每行一个： wget -i {file-name-of-your-filelist}
4. 下载一个页面及页面中图片等元素，wget -p {your-url}   ，即增加参数 --page-requisites (缩写为-p)
5. 按网址中目录及文件名存储下载文件，即与源站同样的目录结构，增加参数 --force-directories 或 -x

一些有用参数设置

1. 指定user-agent 参数： -U {agent-string} 或 --user-agent={agent-string}
2. 批量下载时设置请求间隔：--wait={秒数} 或 -w {秒数}
3. 请求随机间隔，增加 --random-wait 参数，将以wait指定秒数0.5-1.5倍随机等待：
4.  递归下载 -r ，一般还要同时指定--domains, --exclude-domains, --level 等限制下载内容
5. 同时下载http页面中的图片等元素--page-requisites 缩写为-p
6. 支持断点续传 -c
7. 维持请求间的cookie参数 --save-cookies={saved_file_name} ，如需要同时追踪session的cookie，则增加 --keep-session-cookies，如需要加载以前wget保存的cookie，可使用--load-cookies={saved_file_name}
8. 指定自定义的http头 --header={header-line}，多个头则多次指定该参数
9. 设置网络超时 --timeout={秒数} 或-T，设置后 --dns-timeout, --connect-timeout, --read-timeout 也将一起设置，当然也可以另外为它们单独设置。

设置代理

wget不支持socks代理，支持http,https,ftp三类代理，分别为https_prox, /http_proxy, ftp_proxy，下面示例只以http_proxy为例。为wget指定代理有三种方法，推荐第三种

• 设置环境变量 export http_proxy=http://127.0.0.1:8080
• 配置文件 /etc/wgetrc或 ~/.wgetrc
• 在wget 命令行中通过 -e参数（临时设置环境变量）-e参数本身是执行命令，与wgetrc中的设置效果相同。示例：-e "http_proxy=http://127.0.0.1:8080"
  

更多参考

• Linux Tools Quick Tutorial - wget 文件下载
• man wget

修订于 2019/12/09

--------- 后面是以前的2013年以前的版本，没啥用，不用看了 ------

需要采集一批数据，是一网站上的产品信息，产品本身信息很简单，使用火车采集器轻松实现；但产品价格数据是ajax响应数据，使用firebug + live http headers抓到该请求，并测试重发，发现该ajax请求必须带一个http头“X-Requested-With: XMLHttpRequest”，没有就返回404错误。

gnu/linux下有大量的杀手级工具，这种情况，要动用其中的wget. wget有很多参数，这里需要使用其中两个：-O,--header. 其中:

-O, 把请求结果保存到指定文件，但我们要使用的却是一个特殊的值：“-”，它可以将结果输出到标准输出

--header, 结http请求加上自定义的头(http header)

于是对于每条产品数据，都发送这样的请求：

wget --header="X-Requested-With: XMLHttpRequest" -O save_123.txt "http://www.website.com/request/path/?Id=123"

这样每条产品都保存到save_123.txt,save_124.txt,save_125.txt....这样的一系列文件中。不过有个问题是，每条数据一个文件，后期分析不方便。所以将其存储到单一的文件里。

方案：先将wget结果指向到标准输出，然后再使用重定向符 >> 定向到单一的文件里。

不过，还有一个问题，每个http响应里没有产品id号，数据跟采集到的产品信息对不上号。于是在每写一笔采集结果前，往文件里先写入该产品的id号。

这里使用echo 命令，要用到echo 的参数：-e, 作用是使用转义符输出换行。示例：echo -e "aaa\nbbb"

于是构造这样的bash脚本：

echo -e "\n"10011"\t"  >>data.log ;wget --header="X-Requested-With: XMLHttpRequest" -O- "http://www.website.com/request/path/?Id=10011" >>data.log; 
echo -e "\n"10012"\t"  >>data.log ;wget --header="X-Requested-With: XMLHttpRequest" -O- "http://www.website.com/request/path/?Id=10012" >>data.log; 
echo -e "\n"10013"\t"  >>data.log ;wget --header="X-Requested-With: XMLHttpRequest" -O- "http://www.website.com/request/path/?Id=10013" >>data.log; sheep 1;
echo -e "\n"10014"\t"  >>data.log ;wget --header="X-Requested-With: XMLHttpRequest" -O- "http://www.website.com/request/path/?Id=10014" >>data.log; 
echo -e "\n"10015"\t"  >>data.log ;wget --header="X-Requested-With: XMLHttpRequest" -O- "http://www.website.com/request/path/?Id=10015" >>data.log; 
echo -e "\n"10016"\t"  >>data.log ;wget --header="X-Requested-With: XMLHttpRequest" -O- "http://www.website.com/request/path/?Id=10016" >>data.log; sheep 1;

第三行加一个sheep 1, 即每采三条暂停1秒钟，作用是防止请求过于密集而影响服务器响应，暂停秒数按实际情况设置。

所有数据都保存到data.log文件里，里面格式如下

10011    
{"data":.....}
10012    
{"data":.....}
10013    
{"data":.....}
10014    
{"data":.....}

每两行一笔数据，其中第一行是产品id号，第二行是采集到的数据。这样就可以方便的提取其中数据了。

其实，对于而需要提取的数据，完全可以通过grep从定向到标准输出的wget结果里提取。只是这里不么做了。