ฉันจะดาวน์โหลดไฟล์ผ่าน HTTP โดยใช้ Python ได้อย่างไร

ฉันมียูทิลิตี้ขนาดเล็กที่ฉันใช้เพื่อดาวน์โหลดไฟล์ MP3 จากเว็บไซต์ตามกำหนดเวลาจากนั้นสร้าง / อัปเดตไฟล์พอดคาสต์ XML ที่ฉันเพิ่มลงใน iTunes

การประมวลผลข้อความที่สร้าง / อัปเดตไฟล์ XML นั้นเขียนด้วย Python อย่างไรก็ตามฉันใช้ wget ใน.batไฟล์Windows เพื่อดาวน์โหลดไฟล์ MP3 ที่แท้จริง ฉันต้องการเขียนโปรแกรมอรรถประโยชน์ทั้งหมดใน Python

wgetฉันพยายามที่จะหาวิธีที่จะจริงดาวน์โหลดไฟล์ในหลามที่เป็นเหตุผลว่าทำไมผมจึงหันไปใช้

ดังนั้นฉันจะดาวน์โหลดไฟล์โดยใช้ Python ได้อย่างไร

ใน Python 2 ให้ใช้ urllib2 ซึ่งมาพร้อมกับไลบรารีมาตรฐาน

import urllib2
response = urllib2.urlopen('http://www.example.com/')
html = response.read()

นี่เป็นวิธีพื้นฐานที่สุดในการใช้ไลบรารีลบการจัดการข้อผิดพลาดใด ๆ คุณสามารถทำสิ่งที่ซับซ้อนมากขึ้นเช่นการเปลี่ยนส่วนหัว เอกสารสามารถพบได้ที่นี่

อีกหนึ่งการใช้urlretrieve:

import urllib
urllib.urlretrieve ("http://www.example.com/songs/mp3.mp3", "mp3.mp3")

(สำหรับ Python 3+ import urllib.requestและurllib.request.urlretrieve)

อีกอันหนึ่งที่มี "ProgressBar"

import urllib2

url = "http://download.thinkbroadband.com/10MB.zip"

file_name = url.split('/')[-1]
u = urllib2.urlopen(url)
f = open(file_name, 'wb')
meta = u.info()
file_size = int(meta.getheaders("Content-Length")[0])
print "Downloading: %s Bytes: %s" % (file_name, file_size)

file_size_dl = 0
block_sz = 8192
while True:
    buffer = u.read(block_sz)
    if not buffer:
        break

    file_size_dl += len(buffer)
    f.write(buffer)
    status = r"%10d  [%3.2f%%]" % (file_size_dl, file_size_dl * 100. / file_size)
    status = status + chr(8)*(len(status)+1)
    print status,

f.close()

ในปี 2012 ให้ใช้ไลบรารีคำขอหลาม

>>> import requests
>>> 
>>> url = "http://download.thinkbroadband.com/10MB.zip"
>>> r = requests.get(url)
>>> print len(r.content)
10485760

คุณสามารถเรียกใช้pip install requestsเพื่อรับมัน

คำขอมีข้อดีมากกว่าทางเลือกอื่นเนื่องจาก API นั้นง่ายกว่ามาก นี่เป็นเรื่องจริงโดยเฉพาะถ้าคุณต้องทำการพิสูจน์ตัวตน urllib และ urllib2 ค่อนข้างใช้งานง่ายและเจ็บปวดในกรณีนี้

2015/12/30

ผู้คนแสดงความชื่นชมต่อแถบความคืบหน้า มันเจ๋งแน่นอน ขณะนี้มีโซลูชั่นแบบไม่ได้วางจำหน่ายหลายแบบ ได้แก่tqdm:

from tqdm import tqdm
import requests

url = "http://download.thinkbroadband.com/10MB.zip"
response = requests.get(url, stream=True)

with open("10MB", "wb") as handle:
    for data in tqdm(response.iter_content()):
        handle.write(data)

นี่คือการใช้งาน @kvance ที่ได้อธิบายไว้เมื่อ 30 เดือนที่ผ่านมา

import urllib2
mp3file = urllib2.urlopen("http://www.example.com/songs/mp3.mp3")
with open('test.mp3','wb') as output:
  output.write(mp3file.read())

The wbin จะopen('test.mp3','wb')เปิดไฟล์ (และลบไฟล์ใด ๆ ที่มีอยู่) ในโหมดไบนารีเพื่อให้คุณสามารถบันทึกข้อมูลด้วยแทนที่จะเป็นข้อความ

Python 3

• urllib.request.urlopen

  import urllib.request
  response = urllib.request.urlopen('http://www.example.com/')
  html = response.read()

• urllib.request.urlretrieve

  import urllib.request
  urllib.request.urlretrieve('http://www.example.com/songs/mp3.mp3', 'mp3.mp3')

  หมายเหตุ:ตามเอกสารประกอบurllib.request.urlretrieveคือ "อินเทอร์เฟซแบบดั้งเดิม" และ "อาจเลิกใช้ในอนาคต" (ขอบคุณgerrit )

Python 2

• urllib2.urlopen(ขอบคุณCorey )

  import urllib2
  response = urllib2.urlopen('http://www.example.com/')
  html = response.read()

• urllib.urlretrieve(ขอบคุณPabloG )

  import urllib
  urllib.urlretrieve('http://www.example.com/songs/mp3.mp3', 'mp3.mp3')

ใช้โมดูล wget:

import wget
wget.download('url')

รุ่นปรับปรุงของรหัส PabloG สำหรับ Python 2/3:

#!/usr/bin/env python
# -*- coding: utf-8 -*-
from __future__ import ( division, absolute_import, print_function, unicode_literals )

import sys, os, tempfile, logging

if sys.version_info >= (3,):
    import urllib.request as urllib2
    import urllib.parse as urlparse
else:
    import urllib2
    import urlparse

def download_file(url, dest=None):
    """ 
    Download and save a file specified by url to dest directory,
    """
    u = urllib2.urlopen(url)

    scheme, netloc, path, query, fragment = urlparse.urlsplit(url)
    filename = os.path.basename(path)
    if not filename:
        filename = 'downloaded.file'
    if dest:
        filename = os.path.join(dest, filename)

    with open(filename, 'wb') as f:
        meta = u.info()
        meta_func = meta.getheaders if hasattr(meta, 'getheaders') else meta.get_all
        meta_length = meta_func("Content-Length")
        file_size = None
        if meta_length:
            file_size = int(meta_length[0])
        print("Downloading: {0} Bytes: {1}".format(url, file_size))

        file_size_dl = 0
        block_sz = 8192
        while True:
            buffer = u.read(block_sz)
            if not buffer:
                break

            file_size_dl += len(buffer)
            f.write(buffer)

            status = "{0:16}".format(file_size_dl)
            if file_size:
                status += "   [{0:6.2f}%]".format(file_size_dl * 100 / file_size)
            status += chr(13)
            print(status, end="")
        print()

    return filename

if __name__ == "__main__":  # Only run if this file is called directly
    print("Testing with 10MB download")
    url = "http://download.thinkbroadband.com/10MB.zip"
    filename = download_file(url)
    print(filename)

วิธีที่เรียบง่ายและPython 2 & Python 3เข้ากันได้กับsixห้องสมุด:

from six.moves import urllib
urllib.request.urlretrieve("http://www.example.com/songs/mp3.mp3", "mp3.mp3")

import os,requests
def download(url):
    get_response = requests.get(url,stream=True)
    file_name  = url.split("/")[-1]
    with open(file_name, 'wb') as f:
        for chunk in get_response.iter_content(chunk_size=1024):
            if chunk: # filter out keep-alive new chunks
                f.write(chunk)


download("https://example.com/example.jpg")

เขียนห้องสมุดwgetใน Python บริสุทธิ์เพียงเพื่อจุดประสงค์นี้ มันอัดแน่นไปurlretrieveด้วยคุณสมบัติเหล่านี้ในเวอร์ชัน 2.0

ต่อไปนี้เป็นการโทรที่ใช้บ่อยที่สุดสำหรับการดาวน์โหลดไฟล์ในหลาม:

1. urllib.urlretrieve ('url_to_file', file_name)

2. urllib2.urlopen('url_to_file')

3. requests.get(url)

4. wget.download('url', file_name)

หมายเหตุ: urlopenและurlretrieveพบว่าทำงานได้ค่อนข้างแย่เมื่อทำการดาวน์โหลดไฟล์ขนาดใหญ่ (ขนาด> 500 MB) requests.getเก็บไฟล์ในหน่วยความจำจนกว่าการดาวน์โหลดจะเสร็จสมบูรณ์

ฉันเห็นด้วยกับ Corey, urllib2 นั้นสมบูรณ์กว่าurllibและน่าจะเป็นโมดูลที่ใช้ถ้าคุณต้องการทำสิ่งที่ซับซ้อนมากขึ้น แต่เพื่อให้คำตอบสมบูรณ์ยิ่งขึ้น urllib เป็นโมดูลที่ง่ายกว่าถ้าคุณต้องการแค่พื้นฐาน:

import urllib
response = urllib.urlopen('http://www.example.com/sound.mp3')
mp3 = response.read()

จะทำงานได้ดี หรือหากคุณไม่ต้องการจัดการกับวัตถุ "การตอบสนอง" คุณสามารถโทรไปที่read ()โดยตรง:

import urllib
mp3 = urllib.urlopen('http://www.example.com/sound.mp3').read()

ใน python3 คุณสามารถใช้ urllib3 และ shutil libraires ดาวน์โหลดโดยใช้ pip หรือ pip3 (ขึ้นอยู่กับว่า python3 เป็นค่าเริ่มต้นหรือไม่)

pip3 install urllib3 shutil

จากนั้นเรียกใช้รหัสนี้

import urllib.request
import shutil

url = "http://www.somewebsite.com/something.pdf"
output_file = "save_this_name.pdf"
with urllib.request.urlopen(url) as response, open(output_file, 'wb') as out_file:
    shutil.copyfileobj(response, out_file)

โปรดทราบว่าคุณดาวน์โหลดurllib3แต่ใช้urllibในรหัส

คุณสามารถรับข้อเสนอแนะความคืบหน้าด้วย urlretrieve เช่นกัน:

def report(blocknr, blocksize, size):
    current = blocknr*blocksize
    sys.stdout.write("\r{0:.2f}%".format(100.0*current/size))

def downloadFile(url):
    print "\n",url
    fname = url.split('/')[-1]
    print fname
    urllib.urlretrieve(url, fname, report)

หากคุณได้ติดตั้งแล้วคุณสามารถใช้ parallel_sync

pip ติดตั้ง parallel_sync

from parallel_sync import wget
urls = ['http://something.png', 'http://somthing.tar.gz', 'http://somthing.zip']
wget.download('/tmp', urls)
# or a single file:
wget.download('/tmp', urls[0], filenames='x.zip', extract=True)

Doc: https://pythonhosted.org/parallel_sync/pages/examples.html

อันนี้ทรงพลังทีเดียว สามารถดาวน์โหลดไฟล์แบบขนานลองใหม่เมื่อเกิดข้อผิดพลาดและสามารถดาวน์โหลดไฟล์จากเครื่องระยะไกลได้

หากความเร็วมีความสำคัญต่อคุณฉันจะทำการทดสอบประสิทธิภาพเล็กน้อยสำหรับโมดูลurllibและwgetและwgetฉันลองใช้ครั้งเดียวด้วยแถบสถานะและอีกครั้งโดยไม่มี ฉันใช้ไฟล์ 500MB ที่แตกต่างกันสามไฟล์เพื่อทดสอบด้วย (ไฟล์ที่แตกต่างกัน - เพื่อลดโอกาสที่จะมีการแคชเกิดขึ้นภายใต้ประทุน) ทดสอบกับเครื่องเดเบียนด้วย python2

ก่อนอื่นผลลัพธ์เหล่านี้ (คล้ายกันในการรันต่างกัน):

$ python wget_test.py 
urlretrive_test : starting
urlretrive_test : 6.56
==============
wget_no_bar_test : starting
wget_no_bar_test : 7.20
==============
wget_with_bar_test : starting
100% [......................................................................] 541335552 / 541335552
wget_with_bar_test : 50.49
==============

วิธีที่ฉันทำการทดสอบคือการใช้เครื่องมือตกแต่ง "โปรไฟล์" นี่คือรหัสเต็ม:

import wget
import urllib
import time
from functools import wraps

def profile(func):
    @wraps(func)
    def inner(*args):
        print func.__name__, ": starting"
        start = time.time()
        ret = func(*args)
        end = time.time()
        print func.__name__, ": {:.2f}".format(end - start)
        return ret
    return inner

url1 = 'http://host.com/500a.iso'
url2 = 'http://host.com/500b.iso'
url3 = 'http://host.com/500c.iso'

def do_nothing(*args):
    pass

@profile
def urlretrive_test(url):
    return urllib.urlretrieve(url)

@profile
def wget_no_bar_test(url):
    return wget.download(url, out='/tmp/', bar=do_nothing)

@profile
def wget_with_bar_test(url):
    return wget.download(url, out='/tmp/')

urlretrive_test(url1)
print '=============='
time.sleep(1)

wget_no_bar_test(url2)
print '=============='
time.sleep(1)

wget_with_bar_test(url3)
print '=============='
time.sleep(1)

urllib น่าจะเร็วที่สุด

เพียงเพื่อความสมบูรณ์ก็สามารถเรียกโปรแกรมใด ๆ สำหรับการดึงไฟล์โดยใช้subprocessแพคเกจ urlretrieveโปรแกรมที่ทุ่มเทให้กับการดึงไฟล์ที่มีประสิทธิภาพมากกว่าฟังก์ชั่นหลามชอบ ตัวอย่างเช่นwgetสามารถดาวน์โหลดไดเรคทอรีแบบเรียกซ้ำ ( -R), สามารถจัดการกับ FTP, การเปลี่ยนเส้นทาง, พร็อกซี HTTP, สามารถหลีกเลี่ยงการดาวน์โหลดไฟล์ที่มีอยู่อีกครั้ง ( -nc) และaria2สามารถทำการดาวน์โหลดแบบหลายการเชื่อมต่อ

import subprocess
subprocess.check_output(['wget', '-O', 'example_output_file.html', 'https://example.com'])

ใน Jupyter Notebook ผู้ใช้หนึ่งสามารถเรียกโปรแกรมโดยตรงด้วย!ไวยากรณ์:

!wget -O example_output_file.html https://example.com

ซอร์สโค้ดสามารถ:

import urllib
sock = urllib.urlopen("http://diveintopython.org/")
htmlSource = sock.read()                            
sock.close()                                        
print htmlSource  

คุณสามารถใช้PycURLกับ Python 2 และ 3

import pycurl

FILE_DEST = 'pycurl.html'
FILE_SRC = 'http://pycurl.io/'

with open(FILE_DEST, 'wb') as f:
    c = pycurl.Curl()
    c.setopt(c.URL, FILE_SRC)
    c.setopt(c.WRITEDATA, f)
    c.perform()
    c.close()

ฉันเขียนสิ่งต่อไปนี้ซึ่งทำงานในวานิลลา Python 2 หรือ Python 3

import sys
try:
    import urllib.request
    python3 = True
except ImportError:
    import urllib2
    python3 = False


def progress_callback_simple(downloaded,total):
    sys.stdout.write(
        "\r" +
        (len(str(total))-len(str(downloaded)))*" " + str(downloaded) + "/%d"%total +
        " [%3.2f%%]"%(100.0*float(downloaded)/float(total))
    )
    sys.stdout.flush()

def download(srcurl, dstfilepath, progress_callback=None, block_size=8192):
    def _download_helper(response, out_file, file_size):
        if progress_callback!=None: progress_callback(0,file_size)
        if block_size == None:
            buffer = response.read()
            out_file.write(buffer)

            if progress_callback!=None: progress_callback(file_size,file_size)
        else:
            file_size_dl = 0
            while True:
                buffer = response.read(block_size)
                if not buffer: break

                file_size_dl += len(buffer)
                out_file.write(buffer)

                if progress_callback!=None: progress_callback(file_size_dl,file_size)
    with open(dstfilepath,"wb") as out_file:
        if python3:
            with urllib.request.urlopen(srcurl) as response:
                file_size = int(response.getheader("Content-Length"))
                _download_helper(response,out_file,file_size)
        else:
            response = urllib2.urlopen(srcurl)
            meta = response.info()
            file_size = int(meta.getheaders("Content-Length")[0])
            _download_helper(response,out_file,file_size)

import traceback
try:
    download(
        "https://geometrian.com/data/programming/projects/glLib/glLib%20Reloaded%200.5.9/0.5.9.zip",
        "output.zip",
        progress_callback_simple
    )
except:
    traceback.print_exc()
    input()

หมายเหตุ:

• รองรับการโทรกลับ "แถบความคืบหน้า"
• ดาวน์โหลดคือการทดสอบ 4 MB. zip จากเว็บไซต์ของฉัน

อาจจะช้าไปหน่อย แต่ฉันเห็นรหัสของ pabloG และไม่สามารถช่วยเพิ่ม os.system ('cls') เพื่อให้ดูน่ากลัว! ลองดูสิ:

    import urllib2,os

    url = "http://download.thinkbroadband.com/10MB.zip"

    file_name = url.split('/')[-1]
    u = urllib2.urlopen(url)
    f = open(file_name, 'wb')
    meta = u.info()
    file_size = int(meta.getheaders("Content-Length")[0])
    print "Downloading: %s Bytes: %s" % (file_name, file_size)
    os.system('cls')
    file_size_dl = 0
    block_sz = 8192
    while True:
        buffer = u.read(block_sz)
        if not buffer:
            break

        file_size_dl += len(buffer)
        f.write(buffer)
        status = r"%10d  [%3.2f%%]" % (file_size_dl, file_size_dl * 100. / file_size)
        status = status + chr(8)*(len(status)+1)
        print status,

    f.close()

หากทำงานในสภาพแวดล้อมอื่นที่ไม่ใช่ Windows คุณจะต้องใช้สิ่งอื่นจากนั้น 'cls' ใน MAC OS X และ Linux ควรเป็น 'ชัดเจน'

urlretrieve และคำร้องขอรับนั้นง่าย แต่ความจริงไม่ใช่ ฉันได้รับข้อมูลสำหรับเว็บไซต์คู่รวมถึงข้อความและรูปภาพทั้งสองอย่างข้างต้นอาจแก้ปัญหาส่วนใหญ่ได้ แต่สำหรับวิธีการแก้ปัญหาที่เป็นสากลมากขึ้นฉันแนะนำให้ใช้ urlopen เนื่องจากมันรวมอยู่ในไลบรารีมาตรฐาน Python 3 รหัสของคุณสามารถทำงานบนเครื่องที่รัน Python 3 ได้โดยไม่ต้องติดตั้งแพ็คเกจไซต์ล่วงหน้า

import urllib.request
url_request = urllib.request.Request(url, headers=headers)
url_connect = urllib.request.urlopen(url_request)

#remember to open file in bytes mode
with open(filename, 'wb') as f:
    while True:
        buffer = url_connect.read(buffer_size)
        if not buffer: break

        #an integer value of size of written data
        data_wrote = f.write(buffer)

#you could probably use with-open-as manner
url_connect.close()

คำตอบนี้เป็นคำตอบสำหรับ HTTP 403 Forbidden เมื่อทำการดาวน์โหลดไฟล์ผ่าน http โดยใช้ Python ฉันได้ลองใช้เฉพาะคำขอและโมดูล urllib โมดูลอื่นอาจให้สิ่งที่ดีกว่า แต่นี่คือสิ่งที่ฉันใช้เพื่อแก้ไขปัญหาส่วนใหญ่

ตอบรับล่าช้า แต่python>=3.6คุณสามารถใช้:

import dload
dload.save(url)

ติดตั้งdloadด้วย:

pip3 install dload

ฉันต้องการที่จะดาวน์โหลดไฟล์ทั้งหมดจากหน้าเว็บ ฉันเหนื่อยwgetแต่มันล้มเหลวฉันจึงตัดสินใจใช้เส้นทาง Python และฉันพบกระทู้นี้

หลังจากอ่านเสร็จฉันได้สร้างแอพพลิเคชั่นบรรทัดคำสั่งขึ้นมาเล็กน้อยsoupgetโดยขยายคำตอบที่ยอดเยี่ยมของPabloGและStanและเพิ่มตัวเลือกที่มีประโยชน์

มันใช้BeatifulSoupเพื่อรวบรวม URL ทั้งหมดของหน้าแล้วดาวน์โหลดอันที่มีนามสกุลที่ต้องการ ในที่สุดมันสามารถดาวน์โหลดไฟล์หลายไฟล์พร้อมกัน

นี่มันคือ:

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
from __future__ import (division, absolute_import, print_function, unicode_literals)
import sys, os, argparse
from bs4 import BeautifulSoup

# --- insert Stan's script here ---
# if sys.version_info >= (3,): 
#...
#...
# def download_file(url, dest=None): 
#...
#...

# --- new stuff ---
def collect_all_url(page_url, extensions):
    """
    Recovers all links in page_url checking for all the desired extensions
    """
    conn = urllib2.urlopen(page_url)
    html = conn.read()
    soup = BeautifulSoup(html, 'lxml')
    links = soup.find_all('a')

    results = []    
    for tag in links:
        link = tag.get('href', None)
        if link is not None: 
            for e in extensions:
                if e in link:
                    # Fallback for badly defined links
                    # checks for missing scheme or netloc
                    if bool(urlparse.urlparse(link).scheme) and bool(urlparse.urlparse(link).netloc):
                        results.append(link)
                    else:
                        new_url=urlparse.urljoin(page_url,link)                        
                        results.append(new_url)
    return results

if __name__ == "__main__":  # Only run if this file is called directly
    # Command line arguments
    parser = argparse.ArgumentParser(
        description='Download all files from a webpage.')
    parser.add_argument(
        '-u', '--url', 
        help='Page url to request')
    parser.add_argument(
        '-e', '--ext', 
        nargs='+',
        help='Extension(s) to find')    
    parser.add_argument(
        '-d', '--dest', 
        default=None,
        help='Destination where to save the files')
    parser.add_argument(
        '-p', '--par', 
        action='store_true', default=False, 
        help="Turns on parallel download")
    args = parser.parse_args()

    # Recover files to download
    all_links = collect_all_url(args.url, args.ext)

    # Download
    if not args.par:
        for l in all_links:
            try:
                filename = download_file(l, args.dest)
                print(l)
            except Exception as e:
                print("Error while downloading: {}".format(e))
    else:
        from multiprocessing.pool import ThreadPool
        results = ThreadPool(10).imap_unordered(
            lambda x: download_file(x, args.dest), all_links)
        for p in results:
            print(p)

ตัวอย่างของการใช้งานคือ:

python3 soupget.py -p -e <list of extensions> -d <destination_folder> -u <target_webpage>

และตัวอย่างจริงถ้าคุณต้องการเห็นมันในทางปฏิบัติ:

python3 soupget.py -p -e .xlsx .pdf .csv -u https://healthdata.gov/dataset/chemicals-cosmetics