Як завантажити файл через HTTP за допомогою Python?

У мене є невелика утиліта, яку я використовую для завантаження MP3-файлу з веб-сайту за графіком, а потім будує / оновлює XML-файл підкастів, який я додав до iTunes.

Обробка тексту, яка створює / оновлює XML-файл, записана в Python. Однак я використовую wget всередині .batфайлу Windows, щоб завантажити фактичний файл MP3. Я вважаю за краще, щоб вся утиліта була написана на Python.

Я намагався знайти спосіб фактично завантажити файл на Python, тому я вдався до використання wget.

Отже, як завантажити файл за допомогою Python?

У Python 2 використовуйте urllib2, який постачається зі стандартною бібліотекою.

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

Це найосновніший спосіб використання бібліотеки за вирахуванням помилок. Ви також можете робити більш складні речі, такі як зміна заголовків. Документацію можна знайти тут.

Ще один, використовуючи urlretrieve:

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

(для використання Python 3+ import urllib.requestта urllib.request.urlretrieve)

Ще один, із "панеллю прогресу"

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()

У 2012 році використовуйте бібліотеку запитів python

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

Ви можете бігти, pip install requestsщоб отримати його.

Запити мають багато переваг перед альтернативами, оскільки API набагато простіший. Особливо це стосується автентифікації. urllib та urllib2 в цьому випадку досить неінтуїтивні та болючі.

2015-12-30

Люди висловлювали захоплення плані прогресу. Це круто, звичайно. Зараз існує кілька нестандартних рішень, серед яких tqdm:

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)

Це по суті реалізація @kvance, описана 30 місяців тому.

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

wbУ open('test.mp3','wb')відкриває файл (і видаляє будь-який існуючий файл) в двійковому режимі , так що ви можете зберегти дані з нього , а не просто текст.

Пітон 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')

  Примітка. Відповідно до документації, urllib.request.urlretrieveце "застарілий інтерфейс" і "може в майбутньому застаріти " (спасибі Герріт )

Пітон 2

• urllib2.urlopen(спасибі Корі )

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

• urllib.urlretrieve(спасибі PabloG )

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

використовувати модуль wget:

import wget
wget.download('url')

Удосконалена версія коду PabloG для 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)

Простий, але Python 2 & Python 3сумісний спосіб поставляється з sixбібліотекою:

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")

Написав бібліотеку wget в чистому Python саме для цієї мети. Він накачується urlretrieveз цими функціями , починаючи з версії 2.0.

Нижче наведено найбільш часто використовувані дзвінки для завантаження файлів у python:

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

2. urllib2.urlopen('url_to_file')

3. requests.get(url)

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

Примітка: urlopenі urlretrieveзнайдено для виконання щодо погано із завантаженням великих файлів (розміром> 500 MB). requests.getзберігає файл у пам'яті до завершення завантаження.

Я погоджуюся з Corey, urllib2 є більш повним, ніж urllib і, ймовірно, повинен бути модулем, який використовується, якщо ви хочете робити більш складні речі, але щоб зробити відповіді більш повними, urllib - це простіший модуль, якщо ви хочете лише основи:

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

Буде добре працювати. Або якщо ви не хочете мати справу з об'єктом "відповідь", ви можете зателефонувати read () безпосередньо:

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

У python3 можна використовувати бібліотеки urllib3 та shutil. Завантажте їх за допомогою pip або pip3 (Залежно від того, тип python3 є типовим чи ні)

pip3 install urllib3 shutil

Потім запустіть цей код

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)

Зауважте, що ви завантажуєте, urllib3але використовуєте їх urllibу коді

Ви також можете отримати зворотний зв'язок із прогресом за допомогою urlretrieve:

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)

Якщо у вас встановлений wget, ви можете використовувати паралельний_синхрон.

встановити pip paralle_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)

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

Це досить потужно. Він може завантажувати файли паралельно, повторити спробу при відмові, а також може завантажувати файли на віддаленій машині.

Якщо питання швидкості до вас, я зробив невеличкий тест продуктивності для модулів urllibі wget, і про wgetя спробував один раз в рядку стану і один раз без нього . Я взяв три різні 500 Мб файли для тестування (різні файли - щоб виключити ймовірність того, що під кришкою відбувається якесь кешування). Тестований на Debian машині, з python2.

По-перше, це результати (вони однакові у різних прогонах):

$ 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
==============

Те, як я виконував тест, використовував декоратор "профілю". Це повний код:

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 здається, найшвидший

Тільки задля повноти можна також викликати будь-яку програму для отримання файлів за допомогою subprocessпакету. Програми, призначені для отримання файлів, є більш потужними, ніж на зразок функцій Python urlretrieve. Наприклад, wgetможна завантажувати каталоги рекурсивно ( -R), може працювати з FTP, переадресаціями, HTTP-проксі, може уникати повторного завантаження існуючих файлів ( -nc), а також aria2може робити багатозахисні завантаження, які потенційно можуть прискорити завантаження.

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

У Блокноті Юпітера також можна телефонувати безпосередньо з !синтаксисом програм:

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

Вихідним кодом може бути:

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

Ви можете використовувати PycURL на Python 2 та 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()

Я написав наступне, що працює у ванілі Python 2 або 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()

Примітки:

• Підтримується зворотний дзвінок "смуги прогресу".
• Завантаження - це тест на 4 Мб .zip з мого веб-сайту.

Це може бути трохи пізно, але я побачив код pabloG і не міг не додати os.system ('cls'), щоб він виглядав ДУЖЕ! Перевір :

    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()

Якщо ви працюєте в середовищі, відмінному від Windows, вам доведеться використовувати щось інше, ніж "cls". У MAC OS X та Linux це повинно бути «зрозуміло».

urlretrieve і questions.get прості, однак реальність ні. Я зібрав дані для декількох сайтів, включаючи текст і зображення, наведені вище два, ймовірно, вирішують більшість завдань. але для більш універсального рішення я пропоную використовувати urlopen. Оскільки він включений у стандартну бібліотеку Python 3, ваш код може працювати на будь-якій машині, на якій працює Python 3, без попередньої установки сайту-пакету

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()

Ця відповідь дає рішення для HTTP 403 Забороненого під час завантаження файлу через http за допомогою Python. Я пробував лише запити та модулі urllib, інший модуль може забезпечити щось краще, але саме це я використовував для вирішення більшості проблем.

Пізня відповідь, але python>=3.6ви можете використовувати:

import dload
dload.save(url)

Встановити за dloadдопомогою:

pip3 install dload

Я хотів завантажити всі файли з веб-сторінки. Я спробував, wgetале це не вдалося, тому я вирішив для маршруту Python і знайшов цю тему.

Прочитавши його, я зробив невелику програму командного рядка soupget, розширивши чудові відповіді PabloG та Stan і додавши кілька корисних варіантів.

Він використовує BeatifulSoup для збору всіх URL-адрес сторінки, а потім завантаження з потрібним розширенням. Нарешті, він може завантажувати паралельно кілька файлів.

Ось:

#!/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)

Прикладом його використання є:

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

І власне приклад, якщо ви хочете бачити це в дії:

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