Ottieni la dimensione di un file prima di scaricarlo in Python
Domanda
Sto scaricando un'intera directory da un server web.Funziona bene, ma non riesco a capire come ottenere la dimensione del file prima del download per confrontare se è stato aggiornato sul server o meno.È possibile farlo come se stessi scaricando il file da un server FTP?
import urllib
import re
url = "http://www.someurl.com"
# Download the page locally
f = urllib.urlopen(url)
html = f.read()
f.close()
f = open ("temp.htm", "w")
f.write (html)
f.close()
# List only the .TXT / .ZIP files
fnames = re.findall('^.*<a href="(\w+(?:\.txt|.zip)?)".*$', html, re.MULTILINE)
for fname in fnames:
print fname, "..."
f = urllib.urlopen(url + "/" + fname)
#### Here I want to check the filesize to download or not ####
file = f.read()
f.close()
f = open (fname, "w")
f.write (file)
f.close()
@Jon:grazie per la tua rapida rispostaFunziona, ma la dimensione del file sul server web è leggermente inferiore alla dimensione del file scaricato.
Esempi:
Local Size Server Size
2.223.533 2.115.516
664.603 662.121
Ha qualcosa a che fare con la conversione CR/LF?
Soluzione
Ho riprodotto quello che stai vedendo:
import urllib, os
link = "http://python.org"
print "opening url:", link
site = urllib.urlopen(link)
meta = site.info()
print "Content-Length:", meta.getheaders("Content-Length")[0]
f = open("out.txt", "r")
print "File on disk:",len(f.read())
f.close()
f = open("out.txt", "w")
f.write(site.read())
site.close()
f.close()
f = open("out.txt", "r")
print "File on disk after download:",len(f.read())
f.close()
print "os.stat().st_size returns:", os.stat("out.txt").st_size
Emette questo:
opening url: http://python.org
Content-Length: 16535
File on disk: 16535
File on disk after download: 16535
os.stat().st_size returns: 16861
Cosa sto facendo di sbagliato qui?os.stat().st_size non restituisce la dimensione corretta?
Modificare:Ok, ho capito quale era il problema:
import urllib, os
link = "http://python.org"
print "opening url:", link
site = urllib.urlopen(link)
meta = site.info()
print "Content-Length:", meta.getheaders("Content-Length")[0]
f = open("out.txt", "rb")
print "File on disk:",len(f.read())
f.close()
f = open("out.txt", "wb")
f.write(site.read())
site.close()
f.close()
f = open("out.txt", "rb")
print "File on disk after download:",len(f.read())
f.close()
print "os.stat().st_size returns:", os.stat("out.txt").st_size
questo restituisce:
$ python test.py
opening url: http://python.org
Content-Length: 16535
File on disk: 16535
File on disk after download: 16535
os.stat().st_size returns: 16535
Assicurati di aprire entrambi i file per la lettura/scrittura binaria.
// open for binary write
open(filename, "wb")
// open for binary read
open(filename, "rb")
Altri suggerimenti
Utilizzando il metodo dell'oggetto restituito-urllib info()
, è possibile ottenere varie informazioni sul documento recuperato.Esempio di acquisizione dell'attuale logo di Google:
>>> import urllib
>>> d = urllib.urlopen("http://www.google.co.uk/logos/olympics08_opening.gif")
>>> print d.info()
Content-Type: image/gif
Last-Modified: Thu, 07 Aug 2008 16:20:19 GMT
Expires: Sun, 17 Jan 2038 19:14:07 GMT
Cache-Control: public
Date: Fri, 08 Aug 2008 13:40:41 GMT
Server: gws
Content-Length: 20172
Connection: Close
È un decreto, quindi per ottenere la dimensione del file, lo fai urllibobject.info()['Content-Length']
print f.info()['Content-Length']
E per ottenere la dimensione del file locale (per confronto), puoi usare il comando os.stat():
os.stat("/the/local/file.zip").st_size
La dimensione del file viene inviata come intestazione Content-Length.Ecco come ottenerlo con urllib:
>>> site = urllib.urlopen("http://python.org")
>>> meta = site.info()
>>> print meta.getheaders("Content-Length")
['16535']
>>>
Inoltre, se il server a cui ti stai connettendo lo supporta, guarda Etag e il Se-modificato-dal E Se non corrisponde intestazioni.
L'utilizzo di questi trarrà vantaggio dalle regole di memorizzazione nella cache del server Web e restituirà a 304 Non modificato codice di stato se il contenuto non è cambiato.
In Python3:
>>> import urllib.request
>>> site = urllib.request.urlopen("http://python.org")
>>> print("FileSize: ", site.length)
Per un approccio Python3 (testato su 3.5) consiglierei:
with urlopen(file_url) as in_file, open(local_file_address, 'wb') as out_file:
print(in_file.getheader('Content-Length'))
out_file.write(response.read())
UN richiestesoluzione basata su HEAD invece di GET (stampa anche le intestazioni HTTP):
#!/usr/bin/python
# display size of a remote file without downloading
from __future__ import print_function
import sys
import requests
# number of bytes in a megabyte
MBFACTOR = float(1 << 20)
response = requests.head(sys.argv[1], allow_redirects=True)
print("\n".join([('{:<40}: {}'.format(k, v)) for k, v in response.headers.items()]))
size = response.headers.get('content-length', 0)
print('{:<40}: {:.2f} MB'.format('FILE SIZE', int(size) / MBFACTOR))
Utilizzo
$ python filesize-remote-url.py https://httpbin.org/image/jpeg ... Content-Length : 35588 FILE SIZE (MB) : 0.03 MB