Como faço download de um arquivo via HTTP usando Python?

https://stackoverflow.com/questions/22676

09-06-2019
|

Pergunta

Eu tenho um pequeno utilitário que uso para baixar um MP3 de um site de acordo com uma programação e, em seguida, criar/atualizar um arquivo XML de podcast que obviamente adicionei ao iTunes.

O processamento de texto que cria/atualiza o arquivo XML é escrito em Python.Eu uso o wget dentro de um Windows .bat arquivo para baixar o MP3 real.Eu preferiria ter todo o utilitário escrito em Python.

Eu me esforcei para encontrar uma maneira de realmente baixar o arquivo em Python, por isso recorri a wget.

Então, como faço o download do arquivo usando Python?

Solução

No Python 2, use urllib2 que vem com a biblioteca padrão.

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

Esta é a maneira mais básica de usar a biblioteca, sem qualquer tratamento de erros.Você também pode fazer coisas mais complexas, como alterar cabeçalhos.A documentação pode ser encontrada aqui.

Outras dicas

Mais um, usando urlretrieve:

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

(para uso em Python 3+ import urllib.request e urllib.request.urlretrieve)

Mais um, com uma "barra de progresso"

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()

Em 2012, use o biblioteca de solicitações python

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

Você pode correr pip install requests para obtê-la.

As solicitações têm muitas vantagens sobre as alternativas porque a API é muito mais simples.Isto é especialmente verdadeiro se você precisar fazer autenticação.urllib e urllib2 são pouco intuitivos e dolorosos neste caso.

2015-12-30

As pessoas expressaram admiração pela barra de progresso.É legal, claro.Existem várias soluções prontas para uso agora, incluindo tqdm:

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)

Esta é essencialmente a implementação que @kvance descreveu há 30 meses.

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

O wb em open('test.mp3','wb') abre um arquivo (e apaga qualquer arquivo existente) em modo binário para que você possa salvar dados com ele em vez de apenas texto.

Pitão 3

urllib.request.urlopen

import urllib.request
response = urllib.request.urlopen('http://www.example.com/')
html = response.read()

urllib.request.urlretrieve

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

Pitão 2

urllib2.urlopen (obrigado Corey)

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

urllib.urlretrieve (obrigado PabloG)

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

use o módulo wget:

import wget
wget.download('url')

Uma versão melhorada do código PabloG para Python 2/3:

#!/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)

Escreveu wget biblioteca em Python puro apenas para esse propósito.Está bombado urlretrieve com esses recursos a partir da versão 2.0.

Simples ainda Python 2 & Python 3 maneira compatível vem com six biblioteca:

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

Concordo com Corey, urllib2 é mais completo que URLlib e provavelmente deve ser o módulo usado se você quiser fazer coisas mais complexas, mas para tornar as respostas mais completas, urllib é um módulo mais simples se você quiser apenas o básico:

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

Funcionará bem.Ou, se você não quiser lidar com o objeto "resposta", você pode chamar ler() diretamente:

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

A seguir estão as chamadas mais comumente usadas para download de arquivos em python:

urllib.urlretrieve ('url_to_file', file_name)
urllib2.urlopen('url_to_file')
requests.get(url)
wget.download('url', file_name)

Observação: urlopen e urlretrieve apresentam desempenho relativamente ruim no download de arquivos grandes (tamanho> 500 MB). requests.get armazena o arquivo na memória até que o download seja concluído.

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")

Você também pode obter feedback do progresso com urlretrieve:

def report(blocknr, blocksize, size):
    current = blocknr*blocksize
    sys.stdout.write("\r{0:.2f}%".format(100.0*current/size))

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

Se você tiver o wget instalado, poderá usar o paralelo_sync.

pip instalar paralelo_sync

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)

Documento:https://pythonhosted.org/parallel_sync/pages/examples.html

Isso é muito poderoso.Ele pode baixar arquivos em paralelo, tentar novamente em caso de falha e até mesmo baixar arquivos em uma máquina remota.

Em python3 você pode usar bibliotecas urllib3 e shutil.Baixe-os usando pip ou pip3 (dependendo se python3 é padrão ou não)

pip3 install urllib3 shutil

Então execute este código

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)

Observe que você baixa urllib3 mas use urllib em código

Se velocidade é importante para você, fiz um pequeno teste de desempenho dos módulos urllib e wget, e em relação wget Tentei uma vez com barra de status e outra sem.Peguei três arquivos diferentes de 500 MB para testar (arquivos diferentes - para eliminar a chance de haver algum cache acontecendo nos bastidores).Testado em máquina Debian, com python2.

Primeiro, estes são os resultados (eles são semelhantes em execuções diferentes):

$ 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
==============

A forma como realizei o teste foi usando o decorador "perfil".Este é o código completo:

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 parece ser o mais rápido

Apenas por uma questão de exaustividade, também é possível chamar qualquer programa para recuperação de arquivos usando o subprocess pacote.Programas dedicados à recuperação de arquivos são mais poderosos que funções Python como urlretrieve.Por exemplo, wget pode baixar diretórios recursivamente (-R), pode lidar com FTP, redirecionamentos, proxies HTTP, pode evitar baixar novamente arquivos existentes (-nc), e aria2 pode fazer downloads de múltiplas conexões, o que pode potencialmente acelerar seus downloads.

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

No Jupyter Notebook, também é possível chamar programas diretamente com o ! sintaxe:

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

O código-fonte pode ser:

import urllib
sock = urllib.urlopen("http://diveintopython.org/")
htmlSource = sock.read()                            
sock.close()                                        
print htmlSource

Eu escrevi o seguinte, que funciona no vanilla Python 2 ou Python 3.

import sys
try:
    import urllib.request
    python3 = True
except ImportError:
    import urllib2
    python3 = False


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

Notas:

Suporta um retorno de chamada de "barra de progresso".
O download é um .zip de teste de 4 MB do meu site.

Você pode usar PycURL em Python 2 e 3.

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()

Pode ser um pouco tarde, mas vi o código do pabloG e não pude deixar de adicionar um os.system('cls') para torná-lo INCRÍVEL!Confira :

    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()

Se estiver executando em um ambiente diferente do Windows, você terá que usar algo diferente de 'cls'.No MAC OS X e Linux deve estar 'claro'.

urlretrieve e requests.get são simples, mas a realidade não.Busquei dados de alguns sites, incluindo texto e imagens. Os dois acima provavelmente resolvem a maioria das tarefas.mas para uma solução mais universal sugiro o uso de urlopen.Como está incluído na biblioteca padrão do Python 3, seu código pode ser executado em qualquer máquina que execute o Python 3 sem pré-instalar o site-package

import urllib.request
url_request = urllib.request.Request(url, headers=headers)
url_connect = urllib.request.urlopen(url_request)

#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()

Esta resposta fornece uma solução para HTTP 403 Proibido ao baixar arquivos por http usando Python.Tentei apenas solicitações e módulos urllib, o outro módulo pode fornecer algo melhor, mas este é o que usei para resolver a maioria dos problemas.

Licenciado em: CC-BY-SA com atribuição

Não afiliado a StackOverflow