Cache em urllib2?

Question

Existe uma maneira fácil de coisas de cache quando usando urllib2 que eu estou com vista sobre, ou eu tenho que fazer a minha própria?

Answer 1

Você pode usar uma função decorador tais como:

class cache(object):
    def __init__(self, fun):
        self.fun = fun
        self.cache = {}

    def __call__(self, *args, **kwargs):
        key  = str(args) + str(kwargs)
        try:
            return self.cache[key]
        except KeyError:
            self.cache[key] = rval = self.fun(*args, **kwargs)
            return rval
        except TypeError: # incase key isn't a valid key - don't cache
            return self.fun(*args, **kwargs)

e definir uma função ao longo das linhas de:

@cache
def get_url_src(url):
    return urllib.urlopen(url).read()

Isso supõe que você não está prestando atenção a controles de cache HTTP, mas só quero para armazenar em cache a página para a duração da aplicação

Answer 2

Se você não me importo de trabalhar a um nível ligeiramente inferior, httplib2 ( https://github.com/ httplib2 / httplib2 ) é uma excelente biblioteca HTTP que inclui cache funcionalidade.

Answer 3

Esta receita ActiveState Python podem ser úteis: http://code.activestate.com/recipes/491261/

Answer 4

Eu sempre sido dividido entre usando httplib2, que faz um trabalho sólido de lidar com HTTP caching e autenticação, e urllib2, que está no stdlib, tem uma interface extensível e suportes HTTP Os servidores proxy.

O ActiveState receita começa a adicionar cache suporte para urllib2, mas apenas de uma forma muito primitiva moda. Ele falha para permitir extensibilidade em mecanismos de armazenamento, embutir o armazenamento de arquivos-system-backed. Ele também não honrar HTTP cache de cabeçalhos.

Em uma tentativa de reunir as melhores características de httplib2 caching e extensibilidade urllib2, eu adaptei a receita ActiveState para implementar a maior parte da mesma funcionalidade de cache como é encontrado em httplib2. O módulo é em jaraco.net como jaraco.net .http.caching . O link aponta para o módulo como ela existe no momento da redação deste texto. Enquanto que o módulo é atualmente parte do pacote jaraco.net maior, não tem dependências intra-pacote, então sinta-se livre para puxar o módulo para fora e usá-lo em seus próprios projetos.

Como alternativa, se você tiver Python 2.6 ou posterior, você pode easy_install jaraco.net>=1.3 e, em seguida, utilizar o CachingHandler com algo como o código no caching.quick_test().

"""Quick test/example of CacheHandler"""
import logging
import urllib2
from httplib2 import FileCache
from jaraco.net.http.caching import CacheHandler

logging.basicConfig(level=logging.DEBUG)
store = FileCache(".cache")
opener = urllib2.build_opener(CacheHandler(store))
urllib2.install_opener(opener)
response = opener.open("http://www.google.com/")
print response.headers
print "Response:", response.read()[:100], '...\n'

response.reload(store)
print response.headers
print "After reload:", response.read()[:100], '...\n'

Note que jaraco.util.http.caching não fornece uma especificação para o armazenamento de backup para o cache, mas ao contrário, segue a interface usada pelo httplib2. Por esta razão, o httplib2.FileCache pode ser usado diretamente com urllib2 eo CacheHandler. Além disso, outros caches de apoio projetadas para httplib2 deve ser utilizável pelo CacheHandler.

Answer 5

Eu estava procurando por algo semelhante, e me deparei com "Receita 491261: Caching e estrangulamento para urllib2" que danivo postou. O problema é que eu realmente não gostam do código caching (lotes de duplicação, os lotes de ingressar manualmente de caminhos de arquivo em vez de usar os.path.join, usos staticmethods, não muito PEP8'sih, e outras coisas que Eu tento evitar)

O código é um pouco melhor (na minha opinião de qualquer maneira) e é funcionalmente muito mesmo, com algumas adições - principalmente o método de "colocar novamente em cache" (exemplo de uso pode ser parecem aqui , ou na seção if __name__ == "__main__": no final do código).

A versão mais recente pode ser encontrada em http://github.com/ DBR / tvdb_api / blob / master / cache.py , e eu vou colá-lo aqui para a posteridade (com meus cabeçalhos específicos do aplicativo removido):

#!/usr/bin/env python
"""
urllib2 caching handler
Modified from http://code.activestate.com/recipes/491261/ by dbr
"""

import os
import time
import httplib
import urllib2
import StringIO
from hashlib import md5

def calculate_cache_path(cache_location, url):
    """Checks if [cache_location]/[hash_of_url].headers and .body exist
    """
    thumb = md5(url).hexdigest()
    header = os.path.join(cache_location, thumb + ".headers")
    body = os.path.join(cache_location, thumb + ".body")
    return header, body

def check_cache_time(path, max_age):
    """Checks if a file has been created/modified in the [last max_age] seconds.
    False means the file is too old (or doesn't exist), True means it is
    up-to-date and valid"""
    if not os.path.isfile(path):
        return False
    cache_modified_time = os.stat(path).st_mtime
    time_now = time.time()
    if cache_modified_time < time_now - max_age:
        # Cache is old
        return False
    else:
        return True

def exists_in_cache(cache_location, url, max_age):
    """Returns if header AND body cache file exist (and are up-to-date)"""
    hpath, bpath = calculate_cache_path(cache_location, url)
    if os.path.exists(hpath) and os.path.exists(bpath):
        return(
            check_cache_time(hpath, max_age)
            and check_cache_time(bpath, max_age)
        )
    else:
        # File does not exist
        return False

def store_in_cache(cache_location, url, response):
    """Tries to store response in cache."""
    hpath, bpath = calculate_cache_path(cache_location, url)
    try:
        outf = open(hpath, "w")
        headers = str(response.info())
        outf.write(headers)
        outf.close()

        outf = open(bpath, "w")
        outf.write(response.read())
        outf.close()
    except IOError:
        return True
    else:
        return False

class CacheHandler(urllib2.BaseHandler):
    """Stores responses in a persistant on-disk cache.

    If a subsequent GET request is made for the same URL, the stored
    response is returned, saving time, resources and bandwidth
    """
    def __init__(self, cache_location, max_age = 21600):
        """The location of the cache directory"""
        self.max_age = max_age
        self.cache_location = cache_location
        if not os.path.exists(self.cache_location):
            os.mkdir(self.cache_location)

    def default_open(self, request):
        """Handles GET requests, if the response is cached it returns it
        """
        if request.get_method() is not "GET":
            return None # let the next handler try to handle the request

        if exists_in_cache(
            self.cache_location, request.get_full_url(), self.max_age
        ):
            return CachedResponse(
                self.cache_location,
                request.get_full_url(),
                set_cache_header = True
            )
        else:
            return None

    def http_response(self, request, response):
        """Gets a HTTP response, if it was a GET request and the status code
        starts with 2 (200 OK etc) it caches it and returns a CachedResponse
        """
        if (request.get_method() == "GET"
            and str(response.code).startswith("2")
        ):
            if 'x-local-cache' not in response.info():
                # Response is not cached
                set_cache_header = store_in_cache(
                    self.cache_location,
                    request.get_full_url(),
                    response
                )
            else:
                set_cache_header = True
            #end if x-cache in response

            return CachedResponse(
                self.cache_location,
                request.get_full_url(),
                set_cache_header = set_cache_header
            )
        else:
            return response

class CachedResponse(StringIO.StringIO):
    """An urllib2.response-like object for cached responses.

    To determine if a response is cached or coming directly from
    the network, check the x-local-cache header rather than the object type.
    """
    def __init__(self, cache_location, url, set_cache_header=True):
        self.cache_location = cache_location
        hpath, bpath = calculate_cache_path(cache_location, url)

        StringIO.StringIO.__init__(self, file(bpath).read())

        self.url     = url
        self.code    = 200
        self.msg     = "OK"
        headerbuf = file(hpath).read()
        if set_cache_header:
            headerbuf += "x-local-cache: %s\r\n" % (bpath)
        self.headers = httplib.HTTPMessage(StringIO.StringIO(headerbuf))

    def info(self):
        """Returns headers
        """
        return self.headers

    def geturl(self):
        """Returns original URL
        """
        return self.url

    def recache(self):
        new_request = urllib2.urlopen(self.url)
        set_cache_header = store_in_cache(
            self.cache_location,
            new_request.url,
            new_request
        )
        CachedResponse.__init__(self, self.cache_location, self.url, True)


if __name__ == "__main__":
    def main():
        """Quick test/example of CacheHandler"""
        opener = urllib2.build_opener(CacheHandler("/tmp/"))
        response = opener.open("http://google.com")
        print response.headers
        print "Response:", response.read()

        response.recache()
        print response.headers
        print "After recache:", response.read()
    main()

Answer 6

Este artigo em Yahoo Developer Network - http://developer.yahoo.com/ python / python-caching.html -. descreve como cache de http chamadas feitas através urllib a memória ou disco

Answer 7

@dbr: você pode precisar adicionar também https respostas cache com:

def https_response(self, request, response):
    return self.http_response(request,response)