14

我使用 Python Requests 库来下载一个大文件,例如:

r = requests.get("http://bigfile.com/bigfile.bin")
content = r.content

大文件以每秒 +- 30 Kb 的速度下载,这有点慢。到大文件服务器的每个连接都受到限制,所以我想建立多个连接。

有没有办法同时进行多个连接来下载一个文件?

4

3 回答 3

24

您可以使用 HTTPRange标头仅获取文件的一部分(此处已针对 python 进行了介绍)。

只需启动几个线程并使用每个线程获取不同的范围,您就完成了;)

def download(url,start):
    req = urllib2.Request('http://www.python.org/')
    req.headers['Range'] = 'bytes=%s-%s' % (start, start+chunk_size)
    f = urllib2.urlopen(req)
    parts[start] = f.read()

threads = []
parts = {}

# Initialize threads
for i in range(0,10):
    t = threading.Thread(target=download, i*chunk_size)
    t.start()
    threads.append(t)

# Join threads back (order doesn't matter, you just want them all)
for i in threads:
    i.join()

# Sort parts and you're done
result = ''.join(parts[i] for i in sorted(parts.keys()))

另请注意,并非每个服务器都支持Range标头(尤其是具有负责数据获取的 php 脚本的服务器通常不实现对其的处理)。

于 2012-12-20T13:44:54.690 回答
7

这是一个 Python 脚本,它将给定的 url 保存到一个文件中并使用多个线程来下载它:

#!/usr/bin/env python
import sys
from functools import partial
from itertools import count, izip
from multiprocessing.dummy import Pool # use threads
from urllib2 import HTTPError, Request, urlopen

def download_chunk(url, byterange):
    req = Request(url, headers=dict(Range='bytes=%d-%d' % byterange))
    try:
        return urlopen(req).read()
    except HTTPError as e:
        return b''  if e.code == 416 else None  # treat range error as EOF
    except EnvironmentError:
        return None

def main():
    url, filename = sys.argv[1:]
    pool = Pool(4) # define number of concurrent connections
    chunksize = 1 << 16
    ranges = izip(count(0, chunksize), count(chunksize - 1, chunksize))
    with open(filename, 'wb') as file:
        for s in pool.imap(partial(download_part, url), ranges):
            if not s:
                break # error or EOF
            file.write(s)
            if len(s) != chunksize:
                break  # EOF (servers with no Range support end up here)

if __name__ == "__main__":
    main()

如果服务器返回空正文或 416 http 代码,或者响应大小不chunksize准确,则检测到文件结尾。

它支持不理解Range标头的服务器(在这种情况下,所有内容都在单个请求中下载;为了支持大文件,更改download_chunk()为保存到临时文件并返回要在主线程中读取的文件名而不是文件内容本身)。

它允许在单个 http 请求中独立更改并发连接数(池大小)和请求的字节数。

要使用多个进程而不是线程,请更改导入:

from multiprocessing.pool import Pool # use processes (other code unchanged)
于 2012-12-21T12:14:12.403 回答
1

此解决方案需要名为“aria2c”的 linux 实用程序,但它具有轻松恢复下载的优点。

它还假定您要下载的所有文件都列在 location 的 http 目录列表中MY_HTTP_LOC。我在一个 lighttpd/1.4.26 http 服务器的实例上测试了这个脚本。但是,您可以轻松修改此脚本,使其适用于其他设置。

#!/usr/bin/python

import os
import urllib
import re
import subprocess

MY_HTTP_LOC = "http://AAA.BBB.CCC.DDD/"

# retrieve webpage source code
f = urllib.urlopen(MY_HTTP_LOC)
page = f.read()
f.close

# extract relevant URL segments from source code
rgxp = '(\<td\ class="n"\>\<a\ href=")([0-9a-zA-Z\(\)\-\_\.]+)(")'
results =  re.findall(rgxp,str(page))
files = []
for match in results:
    files.append(match[1])

# download (using aria2c) files
for afile in files:
    if os.path.exists(afile) and not os.path.exists(afile+'.aria2'):
        print 'Skipping already-retrieved file: ' + afile
    else:
        print 'Downloading file: ' + afile          
        subprocess.Popen(["aria2c", "-x", "16", "-s", "20", MY_HTTP_LOC+str(afile)]).wait()
于 2013-04-28T05:33:30.890 回答