Python爬取文件的11种方式

Python下载文件的11种方式

本文将讲述使用不同的Python模块从web下载文件。说是下载其实就是爬虫啦！！！

废话不多开始正题

使用Requests

你可以使用requests模块从一个URL下载文件。

import requests
url='https://ss3.bdstatic.com/70cFv8Sh_Q1YnxGkpoWK1HF6hhy/it/u=1618309945,4014036594&fm=26&gp=0.jpg'
myfile=requests.get(url)
open('C:\Users\pytho\Desktop\a.png','wb').write(myfile.content)

你只需使用requests模块的get方法获取URL，并将结果存储到一个名为“myfile”的变量中。然后，将这个变量的内容写入文件。

使用wget

你还可以使用Python的wget模块从一个URL下载文件。你可以使用pip按以下命令安装wget模块:

pip install wget

我们将使用它下载图像。

import wget
url='https://ss3.bdstatic.com/70cFv8Sh_Q1YnxGkpoWK1HF6hhy/it/u=1618309945,4014036594&fm=26&gp=0.jpg'
wget.download(url,'C:\Users\pytho\Desktop\a.png',)

在这段代码中，URL和路径(图像将存储在其中)被传递给wget模块的download方法。

下载重定向的文件

在本节中，URL会被重定向到另一个带有一个.pdf文件的URL。

要下载这个pdf文件，请使用以下代码:

imoprt requests
url='https://readthedocs.org/projects/python-guide/downloads/pdf/latest/'
myfile=requests.get(url,allow_redirects=True)
open('C:\Users\pytho\Desktop\a.pdf','wb').write(myfile.content)

在这段代码中，我们第一步指定的是URL。然后，我们使用request模块的get方法来获取该URL。在get方法中，我们将allow_redirects设置为True，这将允许URL中的重定向，并且重定向后的内容将被分配给变量myfile。

最后，我们打开一个文件来写入获取的内容。

分块下载大文件(可能有点问题)

考虑下面的代码:

import requests

url='https://ss3.bdstatic.com/70cFv8Sh_Q1YnxGkpoWK1HF6hhy/it/u=1618309945,4014036594&fm=26&gp=0.jpg'
myfile=requests.get(url,stream=True)
open('C:\Users\pytho\Desktop\a.pdf','wb').write(myfile.content,1024)

首先，我们像以前一样使用requests模块的get方法，但是这一次，我们将把stream属性设置为True。

接着，我们在当前工作目录中创建一个名为PythonBook.pdf的文件，并打开它进行写入。

然后，我们指定每次要下载的块大小。我们已经将其设置为1024字节，接着遍历每个块，并在文件中写入这些块，直到块结束。

下载多个文件(并行/批量下载)

要同时下载多个文件，请导入以下模块:

import os,requests
from time import time
from multiprocessing.pool import ThreadPool

我们导入了os和time模块来检查下载文件需要多少时间。ThreadPool模块允许你使用池运行多个线程或进程。

让我们创建一个简单的函数，将响应分块发送到一个文件:

def url_response(url):
	path,url='C:\Users\pytho\Desktop\a.pdf',url
	r=requests.get(url,stream=True)
	with open(path,'wb')as f:
		for ch in f:
			f.write(ch)

这个URL是一个二维数组，它指定了你要下载的页面的路径和URL。

urls=[("Event1"，"https://www.python.org/events/python-events/805/"),
("Event2"，"https://www.python.org/events/python-events/801/"),
("Event3"，"https://www.python.org/events/python-events/802/")
("Event4"，"https://www.python.org/events/python-events/803/")
("Event5"，"https://www.python.org/events/python-events/804/")]

就像在前一节中所做的那样，我们将这个URL传递给requests.get。最后，我们打开文件(URL中指定的路径)并写入页面内容。

现在，我们可以分别为每个URL调用这个函数，我们也可以同时为所有URL调用这个函数。让我们在for循环中分别为每个URL调用这个函数，注意计时器:

start=time()
for x in urls:
	url_response(x)
print(f"time to download:{time()-start}")

现在，使用以下代码行替换for循环：

ThreadPool(9).imap_unordered(url_response,urls)

运行该脚本。

使用进度条进行下载

考虑以下代码:

import requests
from clint.textui import progress
url='http://dol.dr-chuck.com/pythonlearn/EN_us/pythonlearn.pdf'
r=requests.get(url.stream=True)
with open('learnpython.pdf','wb')as f:
	total_length=int(r.headers.get('content-length'))
	for ch in progress.bar(r.iter_content(chunk_size=2391975),expected_size=(total_length/1024)+1):
		if ch:
			f.write(ch)
		

在这段代码中，我们首先导入了requests模块，然后，我们从clint.textui导入了进度组件。唯一的区别是在for循环中。在将内容写入文件时，我们使用了进度条模块的bar方法。

使用urllib下载网页

在本节中，我们将使用urllib下载一个网页。

urllib库是Python的标准库，因此你不需要安装它。

以下代码行可以轻松地下载一个网页:

urllib.request.urlretrieve('url','path')

在这里指定你想将文件保存为什么以及你想将它存储在哪里的URL，

在这段代码中，我们使用了urlretrieve方法并传递了文件的URL，以及保存文件的路径。文件扩展名将是.html。

通过代理下载

如果你需要使用代理下载你的文件，你可以使用urllib模块的ProxyHandler。请看以下代码：

import urllib.request

myProxy=urllib.request.ProxyHandler({'http':'127.0.0.2'})
openProxy=urllib.request.build_opener(myProxy)
urllib.request.urlretrieve('https//www.python.org/')

在这段代码中，我们创建了代理对象，并通过调用urllib的build_opener方法来打开该代理，并传入该代理对象。然后，我们创建请求来获取页面。

此外，你还可以按照官方文档的介绍来使用requests模块:

import requests
myProxy={'http':'http://127.0.0.2:3001'}
requests.get("https://www.python.org/",proxies=myProxy)

你只需要导入requests模块并创建你的代理对象。然后，你就可以获取文件了。

使用urllib3

urllib3是urllib模块的改进版本。你可以使用pip下载并安装它:

pip install urllib3

我们将通过使用urllib3来获取一个网页并将它存储在一个文本文件中。

在处理文件时，我们使用了shutil模块。

import urllib3,shutil

现在，我们像这样来初始化URL字符串变量：

url='https://www.python.org/'

然后，我们使用了urllib3的PoolManager ，它会跟踪必要的连接池。

c=urllib3.PoolManager()

创建一个文件

filename='text.txt'

最后，我们发送一个GET请求来获取该URL并打开一个文件，接着将响应写入该文件:

with c.request('GET',url,preload_content=False)as f,open(filename,'wb')as f2:
	shutil.copyfileobj(f,f2)

使用Boto3从S3下载文件

要从Amazon S3下载文件，你可以使用Python boto3模块。

在开始之前，你需要使用pip安装awscli模块:

pip install awscli

对于AWS配置，请运行以下命令：

aws configure

现在，按以下命令输入你的详细信息：

AWS Access key ID [None]:(The access key)
AWS Secret Access Key [None]:(Secret access key)
Default region name [None]:(Region)
Default output format [None]:(Json)

要从Amazon S3下载文件，你需要导入boto3和botocore。Boto3是一个Amazon SDK，它允许Python访问Amazon web服务(如S3)。Botocore提供了与Amazon web服务进行交互的命令行服务。

Botocore自带了awscli。要安装boto3，请运行以下命令:

pip install boto3

现在，导入这两个模块：

import boto3,botocore

在从Amazon下载文件时，我们需要三个参数：

Bucket名称

你需要下载的文件名称

文件下载之后的名称

初始化变量：

bucket='bucketName'
file_name='filename'
download_file='downloadfilename'

现在，我们初始化一个变量来使用会话的资源。为此，我们将调用boto3的resource()方法并传入服务，即s3:

service=boto3.resource('s3')

最后，使用download_file方法下载文件并传入变量:

service.Bucket(bucket).download_file(file_name,downloaded_file)

使用asyncio

asyncio模块主要用于处理系统事件。它围绕一个事件循环进行工作，该事件循环会等待事件发生，然后对该事件作出反应。这个反应可以是调用另一个函数。这个过程称为事件处理。asyncio模块使用协同程序进行事件处理。

要使用asyncio事件处理和协同功能，我们将导入asyncio模块:

import asyncio

现在，像这样定义asyncio协同方法：

async def coroutine():
	await my_func()

关键字async表示这是一个原生asyncio协同程序。在协同程序的内部，我们有一个await关键字，它会返回一个特定的值。我们也可以使用return关键字。

现在，让我们使用协同创建一段代码来从网站下载一个文件:

import os,urllib.request
async def coroutine(url):
	r=urllib.request.urlopen(url)
	filename='couroutine_downloads.txt'
	with open(filename,'wb')as f:
		for ch in r:
		f.write(ch)
	print_msg='Successfully Download'
	return print_msg
	
async def main_func(urls_to_download):
	co=[coroutine(url) for url in urls_to_download]
	download,downloading=await asyncio.wait(co)
	for i in downloaded:
		print(i.result())
urls_to_download=['https://www.python.org/events/python-events/801/',
'https://www.python.org/events/python-events/802/',
'https://www.python.org/events/python-events/803/',
'https://www.python.org/events/python-events/804/']
eventLoop=asyncio.get_event_loop()
eventLoop.run_until_complete(main_func(urls_to_download))

在这段代码中，我们创建了一个异步协同函数，它会下载我们的文件并返回一条消息。

然后，我们使用另一个异步协同程序调用main_func，它会等待URL并将所有URL组成一个队列。asyncio的wait函数会等待协同程序完成。

现在，为了启动协同程序，我们必须使用asyncio的get_event_loop()方法将协同程序放入事件循环中，最后，我们使用asyncio的run_until_complete()方法执行该事件循环。

点击进入英文原文