如何使用python通过http下载文件?

How do I download a file over HTTP using Python?

我有一个小的实用程序,我可以按计划从一个网站下载MP3,然后构建/更新一个podcast XML文件,这显然是我添加到iTunes中的。

创建/更新XML文件的文本处理是用python编写的。不过,我在windows .bat文件中使用wget下载实际的MP3。不过,我更喜欢用Python编写整个实用程序。

我努力想找到一种在python中实际下载文件的方法,因此我为什么要使用wget

那么,如何使用python下载文件呢?


另外,使用urlretrieve

1
2
import urllib
urllib.urlretrieve ("http://www.example.com/songs/mp3.mp3","mp3.mp3")

(对于python 3+使用import urllib.requesturllib.request.urlretrieve)

还有一个,有一个"进度条"

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
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()


在python 2中,使用标准库附带的urllib2。

1
2
3
import urllib2
response = urllib2.urlopen('http://www.example.com/')
html = response.read()

这是使用库的最基本方法,不包括任何错误处理。您还可以执行更复杂的操作,如更改标题。文档可以在这里找到。


2012年,使用python请求库

1
2
3
4
5
6
>>> import requests
>>>
>>> url ="http://download.thinkbroadband.com/10MB.zip"
>>> r = requests.get(url)
>>> print len(r.content)
10485760

你可以运行pip install requests来获取它。

请求比其他方法有很多优势,因为API要简单得多。如果必须进行身份验证,这尤其正确。在这种情况下,urllib和urllib2都是非常不明确和痛苦的。

2015-1230

人们对进度条表示赞赏。当然,很酷。现在有几种现成的解决方案,包括tqdm

1
2
3
4
5
6
7
8
9
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)

这基本上是30个月前描述的@kvance的实现。


1
2
3
4
import urllib2
mp3file = urllib2.urlopen("http://www.example.com/songs/mp3.mp3")
with open('test.mp3','wb') as output:
  output.write(mp3file.read())

open('test.mp3','wb')中的wb以二进制模式打开一个文件(并删除任何现有文件),这样您就可以用它保存数据,而不仅仅是文本。


Python 3

  • urllib.request.urlopen

    1
    2
    3
    import urllib.request
    response = urllib.request.urlopen('http://www.example.com/')
    html = response.read()
  • urllib.request.urlretrieve

    1
    2
    import urllib.request
    urllib.request.urlretrieve('http://www.example.com/songs/mp3.mp3', 'mp3.mp3')

Python 2

  • urllib2.urlopen(谢谢科里)

    1
    2
    3
    import urllib2
    response = urllib2.urlopen('http://www.example.com/')
    html = response.read()
  • urllib.urlretrieve(多谢pablog)

    1
    2
    import urllib
    urllib.urlretrieve('http://www.example.com/songs/mp3.mp3', 'mp3.mp3')


python 2/3的pablog代码的改进版本:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
#!/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)


使用wget模块:

1
2
import wget
wget.download('url')

就为了这个目的,用纯Python编写了wget库。从2.0版开始,它被注入具有这些功能的urlretrieve


six库提供了简单但兼容Python 2 & Python 3的方式:

1
2
from six.moves import urllib
urllib.request.urlretrieve("http://www.example.com/songs/mp3.mp3","mp3.mp3")


我同意科里的观点,Urllib2比Urllib更完整,如果你想做更复杂的事情,它很可能是使用的模块,但是为了使答案更完整,如果你只需要基本知识,Urllib是一个更简单的模块:

1
2
3
import urllib
response = urllib.urlopen('http://www.example.com/sound.mp3')
mp3 = response.read()

会很好的。或者,如果不想处理"response"对象,可以直接调用read():

1
2
import urllib
mp3 = urllib.urlopen('http://www.example.com/sound.mp3').read()

以下是在python中下载文件最常用的调用:

  • urllib.urlretrieve ('url_to_file', file_name)

  • urllib2.urlopen('url_to_file')

  • requests.get(url)

  • wget.download('url', file_name)

  • 注:urlopenurlretrieve在下载大文件(大小大于500MB)时表现相对较差。requests.get将文件存储在内存中,直到下载完成。


    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    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")

    您还可以通过urlretrieve获得进度反馈:

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    def report(blocknr, blocksize, size):
        current = blocknr*blocksize
        sys.stdout.write("
    {0:.2f}%"
    .format(100.0*current/size))

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

    如果安装了wget,则可以使用并行同步。

    pip安装并行同步

    1
    2
    3
    4
    5
    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网站

    这是相当强大的。它可以并行下载文件,失败时重试,甚至可以在远程机器上下载文件。


    在python3中,你可以使用urllib3和shutil库。使用pip或pip3下载它们(取决于python3是否为默认值)

    1
    pip3 install urllib3 shutil

    然后运行此代码

    1
    2
    3
    4
    5
    6
    7
    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)

    注意,您下载urllib3,但在代码中使用urllib


    如果速度对你很重要,我对模块urllibwget做了一个小的性能测试,关于wget我用状态栏试过一次,没有状态栏试过一次。我用三个不同的500MB文件进行测试(不同的文件-以消除在引擎盖下进行缓存的可能性)。在Debian机器上用python2测试。

    首先,这些是结果(它们在不同的运行中相似):

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    $ 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
    ==============

    我执行测试的方式是使用"profile"修饰器。这是完整代码:

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    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似乎是最快的


    源代码可以是:

    1
    2
    3
    4
    5
    import urllib
    sock = urllib.urlopen("http://diveintopython.org/")
    htmlSource = sock.read()                            
    sock.close()                                        
    print htmlSource

    为了完整起见,也可以调用任何使用subprocess包检索文件的程序。专用于检索文件的程序比诸如urlretrieve之类的python函数更强大。例如,wget可以递归下载目录(-R,可以处理ftp、重定向、http代理,可以避免重新下载现有文件(-nc),aria2可以进行多连接下载,这可能会加快下载速度。

    1
    2
    import subprocess
    subprocess.check_output(['wget', '-O', 'example_output_file.html', 'https://example.com'])

    在Jupyter笔记本中,还可以使用!语法直接调用程序:

    1
    !wget -O example_output_file.html https://example.com

    我写了以下内容,它在普通的python 2或python 3中工作。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    import sys
    try:
        import urllib.request
        python3 = True
    except ImportError:
        import urllib2
        python3 = False


    def progress_callback_simple(downloaded,total):
        sys.stdout.write(
           "
    "
    +
            (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()

    笔记:

    • 支持"进度条"回调。
    • 从我的网站下载一个4 MB的test.zip。


    可以在pycurl 2和3上使用pycurl。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    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()

    urlretrieve和requests.get很简单,但实际情况并非如此。我已经为几个站点提取了数据,包括文本和图像,上面的两个可能解决了大部分任务。但为了更普遍的解决方案,我建议使用厄洛彭。因为它包含在python 3标准库中,所以您的代码可以在任何运行python 3的机器上运行,而无需预先安装站点par。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    import urllib.request
    url_request = urllib.request.Request(url, headers=headers)
    url_connect = urllib.request.urlopen(url_request)
    len_content = url_content.length

    #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()

    这个答案提供了一个解决方案,当使用python通过http下载文件时,禁止使用HTTP403。我只尝试过请求和URLLIB模块,其他模块可能提供更好的功能,但这是我用来解决大多数问题的模块。


    这可能有点晚了,但我看到了pablog的代码,忍不住添加了一个os.system("cls")来让它看起来棒极了!过来看:

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
        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()

    如果在Windows以外的环境中运行,则必须使用"cls"以外的内容。在Mac OS X和Linux中,应该是"清晰的"。