Obter o tamanho de um arquivo antes de fazer download em Python

Question

Estou baixando um diretório inteiro a partir de um servidor web.Ele funciona OK, mas eu não consigo descobrir como obter o tamanho do arquivo antes de fazer o download para comparar se ele foi atualizado no servidor ou não.Isso pode ser feito como se eu estivesse baixando o arquivo de um servidor 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()

---

@Zero:obrigado pela sua resposta rápida.Ele funciona, mas o tamanho do arquivo no servidor web é um pouco menor do que o tamanho do arquivo baixado.

Exemplos:

Local Size  Server Size
 2.223.533  2.115.516
   664.603    662.121

Ele tem alguma coisa a ver com o CR/LF conversão?

Answer 1

Tenho reproduzido o que você está vendo:

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

Saídas isso:

opening url: http://python.org
Content-Length: 16535
File on disk: 16535
File on disk after download: 16535
os.stat().st_size returns: 16861

O que estou fazendo de errado aqui?É so.stat().st_size não devolver o tamanho correto?

---

Editar:OK, eu descobri que o problema era:

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

este saídas:

$ 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

Certifique-se de que você está abrindo os dois arquivos para o binário para leitura/escrita.

// open for binary write
open(filename, "wb")
// open for binary read
open(filename, "rb")

Answer 2

Utilizando o ex-urllib-método do objeto info(), você pode obter várias informações sobre o retrived documento.Exemplo de agarrar o atual logotipo do 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

É um dict, de modo a obter o tamanho do arquivo, você urllibobject.info()['Content-Length']

print f.info()['Content-Length']

E para obter o tamanho do arquivo local (para comparação), você pode usar o sistema operacional.stat() comando:

os.stat("/the/local/file.zip").st_size

Answer 3

O tamanho do arquivo é enviado como o cabeçalho de Comprimento de Conteúdo.Aqui está como fazê-lo com urllib:

>>> site = urllib.urlopen("http://python.org")
>>> meta = site.info()
>>> print meta.getheaders("Content-Length")
['16535']
>>>

Answer 4

Além disso, se o servidor que está a ligar para suporta-lo, olhar para Etags e o If-Modified-Since e If-None-Match cabeçalhos.

Usando estes irão aproveitar o servidor web cache de regras e irá retornar um 304 Não Modificado código de status se o conteúdo não foi alterado.

Answer 5

Em Python3:

>>> import urllib.request
>>> site = urllib.request.urlopen("http://python.org")
>>> print("FileSize: ", site.length)

Answer 6

Para um python3 (testado em 3.5) a abordagem que eu recomendo:

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())

Answer 7

Um pedidossolução usando a CABEÇA, em vez de GET (também imprime os cabeçalhos 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))

Utilização

$ python filesize-remote-url.py https://httpbin.org/image/jpeg
...
Content-Length                          : 35588
FILE SIZE (MB)                          : 0.03 MB