【python数据下载】urllib与requests的简单使用

使用python进行数据下载

使用urllib进行下载

在使用python作为爬虫与下载工具时，urllib是个常用的包，其核心下载方法使用起来非常简单，只需一个方法：

• urllib.request.urlretrieve()：

  urllib.request.urlretrieve(url, filename=None, reporthook=None, data=None)
    """
    @filename: 指定的存储路径
    @reporthook: 指定的回调函数， 包含block number, a read size, and the total file size
    """
  

• 实际上简单使用只需要一行代码:

  import urllib
  urllib.request.urlretrieve(download_url, save_path)
  

而当我们需要显示下载进度时，可以在reporthook中传入一个回调函数，这个回调函数接口是固定的，会传入三个参数分别为：当前已经下载的块，每次传输的块大小以及文件总大小。

• reporthook的简单实现

  def schedule(blocknum,blocksize,totalsize):
    # print(blocknum, blocksize, totalsize)
    """
    * 用于urllib.request.urlretrieve方法的回调函数
    @ blocknum:当前已经下载的块
    @ blocksize:每次传输的块大小
    @ totalsize:网页文件总大小
    """
    if totalsize == 0:
        percent = 0
    else:
        percent = blocknum * blocksize / totalsize
    if percent > 1.0:
        percent = 1.0
    percent = percent * 100
    # 打印下载的百分比
    print("download %s : %.4f%%" %(base_name, percent))
  

使用requests进行下载

除了urllib外使用requests模块也是一个常用的方法。使用requests时，多数的操作需要手动完成，但也因此在实行断点续传等操作时也更加方便。

• 使用requests进行数据下载:

  # 首次请求
  r1 = requests.get(download_url, stream=True, verify=False)
  # 获得文件的总大小
  total_size = int(r1.headers['Content-Length'])
  if os.path.exists(video_save_path):
      temp_size = os.path.getsize(video_save_path)
  else:
      temp_size = 0
  # 下载时，从本地文件已经下载过的文件后面继续下载
  headers = {'Range': 'bytes=%d-' % temp_size}
  r = requests.get(download_url, stream=True, verify=False, headers=headers)
  with open(video_save_path, "ab") as f:
      # 当下载大文件时，不能一次加载，采用迭代方式下载
      for chunk in r.iter_content(chunk_size=1024):
          if chunk:
              temp_size += len(chunk)
              f.write(chunk)
              f.flush()
              # 打印下载进度
              print("download %s : %d / %d || %.4f%%" %(base_name, temp_size, total_size, temp_size/total_size))
  

多进程

python提供了便利的多进程方法，这里我们采用了最简单的方式：

• 多进程

  def download():
    # 解析下载文件地址并存入列表
    with open('download_urls.txt', 'r', encoding='utf-8') as f:
        urls = f.readlines()
        f.close()
    process = []
    # 创建进程并加入进程池，每个进程对应一个下载文件(文件较大且个数较少，根据需要改写)
    for url in urls:
        process.append(Process(target=_download, args=[url.strip()]))
    # 创建并启动进程
    [p.start() for p in process]
    # 等待子进程结束后再继续往下运行，在当前位置阻塞主进程
    [p.join() for p in process]
  

完整代码

"""
* 提供了多进程下载
* 使用urllib.request包，当下载失败时自动重新下载
"""
import os
import os
import urllib.request
import socket
import sys
import logging
# 设置超时时间
socket.setdefaulttimeout(30)

from multiprocessing import Process, Queue
#设置日志模块
logging.basicConfig(level=logging.DEBUG #设置日志输出格式
                    ,filename="demo.log" #log日志输出的文件位置和文件名
                    ,filemode="w" #文件的写入格式，w为重新写入文件，默认是追加
                    ,format="%(asctime)s - %(name)s - %(levelname)-9s - %(filename)-8s : %(lineno)s line - %(message)s" #日志输出的格式
                    # -8表示占位符，让输出左对齐，输出长度都为8位
                    ,datefmt="%Y-%m-%d %H:%M:%S" #时间输出的格式
                    )

def _download(*args):
    """
    * 子进程函数，负责从每一个传入的url下载文件
    """
    logger=logging.getLogger()
    fh = logging.FileHandler('log.txt', mode='a', encoding='utf-8', delay=False)
    logger.addHandler(fh)

    # 下载地址解析，指定存储位置
    download_url = args[0]
    base_name = os.path.basename(download_url)
    video_save_path = os.path.join('save/', base_name)
    
    def schedule(blocknum,blocksize,totalsize):
        # print(blocknum, blocksize, totalsize)
        """
        * 用于urllib.request.urlretrieve方法的回调函数，接口是固定的
        @ blocknum:当前已经下载的块
        @ blocksize:每次传输的块大小
        @ totalsize:网页文件总大小
        """
        if totalsize == 0:
            percent = 0
        else:
            percent = blocknum * blocksize / totalsize
        if percent > 1.0:
            percent = 1.0
        percent = percent * 100
        print("download %s : %.4f%%" %(base_name, percent))
  
    while True:
        #当下载失败时重新下载
        try:
            logger.info('downloding %s ...'%download_url)
            urllib.request.urlretrieve(download_url, video_save_path, schedule)
        except Exception as e:
            logger.info('exception has occured in downloading {}: {}'.format(download_url, e))
            continue
        break

def download():
    # 解析下载文件地址并存入列表
    with open('download.txt', 'r', encoding='utf-8') as f:
        lines = f.readlines()
        f.close()
    process = []
    # 创建进程并加入进程池，每个进程对应一个下载文件(文件较大且个数较少，根据需要改写)
    for line in lines:
        process.append(Process(target=_download, args=[line.strip()]))
    # 创建并启动进程
    [p.start() for p in process]
    # 等待子进程结束后再继续往下运行，在当前位置阻塞主进程
    [p.join() for p in process]

    

if __name__ == '__main__':
    
    download()