python - ejemplos - nombre de archivo urllib2

urllib2.urlopen timeout

Question

Si abro un archivo usando urllib2, así:

remotefile = urllib2.urlopen(''http://example.com/somefile.zip'')

¿Hay una forma fácil de obtener el nombre del archivo distinto a analizar la URL original?

EDITAR: cambió el archivo abierto a urlopen ... no estoy seguro de cómo sucedió eso.

EDIT2: Terminé usando:

filename = url.split(''/'')[-1].split(''#'')[0].split(''?'')[0]

A menos que esté equivocado, esto debería eliminar todas las posibles consultas también.

Answer 1

¿ urllib2.urlopen decir urllib2.urlopen ?

Usted podría potencialmente levantar el nombre de archivo deseado si el servidor enviaba un encabezado Content-Disposition al marcar remotefile.info()[''Content-Disposition''] , pero tal como está, creo que solo tendrá que analizar la url.

Puede usar urlparse.urlsplit , pero si tiene alguna URL como en el segundo ejemplo, terminará teniendo que sacar el nombre del archivo usted mismo de todos modos:

>>> urlparse.urlsplit(''http://example.com/somefile.zip'')
(''http'', ''example.com'', ''/somefile.zip'', '''', '''')
>>> urlparse.urlsplit(''http://example.com/somedir/somefile.zip'')
(''http'', ''example.com'', ''/somedir/somefile.zip'', '''', '''')

Bien podría hacer esto:

>>> ''http://example.com/somefile.zip''.split(''/'')[-1]
''somefile.zip''
>>> ''http://example.com/somedir/somefile.zip''.split(''/'')[-1]
''somefile.zip''

Answer 2

¿Te refieres a urllib2.urlopen ? No hay una función llamada urllib2 en el módulo urllib2 .

De todos modos, use las funciones urllib2.urlparse :

>>> from urllib2 import urlparse
>>> print urlparse.urlsplit(''http://example.com/somefile.zip'')
(''http'', ''example.com'', ''/somefile.zip'', '''', '''')

Voila.

Answer 3

Acabo de ver esto, normalmente lo hago ..

filename = url.split("?")[0].split("/")[-1]

Answer 4

Creo que "el nombre del archivo" no es un concepto muy definido cuando se trata de transferencias http. El servidor puede (pero no es obligatorio) proporcionar uno como encabezado "disposición de contenido", puede intentar obtenerlo con remotefile.headers[''Content-Disposition''] . Si esto falla, probablemente deba analizar el URI usted mismo.

Answer 5

El uso de PurePosixPath que no depende del sistema operativo y maneja las urls con gracia, es la solución pitonica:

>>> from pathlib import PurePosixPath
>>> path = PurePosixPath(''http://example.com/somefile.zip'')
>>> path.name
''somefile.zip''
>>> path = PurePosixPath(''http://example.com/nested/somefile.zip'')
>>> path.name
''somefile.zip''

Observe cómo no hay tráfico de red aquí ni nada (es decir, esas URL no van a ninguna parte), simplemente usando reglas de análisis estándar.

Answer 6

La función os.path.basename funciona no solo para las rutas de archivos, sino también para las URL, por lo que no tiene que analizar manualmente la URL usted mismo. Además, es importante tener en cuenta que debe usar result.url lugar de la url original para seguir las respuestas de redirección:

import os
import urllib2
result = urllib2.urlopen(url)
real_url = urllib2.urlparse.urlparse(result.url)
filename = os.path.basename(real_url.path)

Answer 7

No que yo sepa.

pero puedes analizarlo bastante fácil así:

url = ''http://example.com/somefile.zip'' print url.split(''/'')[-1]

Answer 8

Probablemente puedas usar expresiones regulares simples aquí. Algo como:

In [26]: import re
In [27]: pat = re.compile(''.+[///?#=]([/w-]+/.[/w-]+(?:/.[/w-]+)?$)'')
In [28]: test_set
[''http://www.google.com/a341.tar.gz'',
''http://www.google.com/a341.gz'',
''http://www.google.com/asdasd/aadssd.gz'',
''http://www.google.com/asdasd?aadssd.gz'',
''http://www.google.com/asdasd#blah.gz'',
''http://www.google.com/asdasd?filename=xxxbl.gz'']
In [30]: for url in test_set:
....: match = pat.match(url)
....: if match and match.groups():
....: print(match.groups()[0])
....:
a341.tar.gz
a341.gz
aadssd.gz
aadssd.gz
blah.gz
xxxbl.gz

Answer 9

Si solo desea el nombre del archivo en sí, suponiendo que al final no hay variables de consulta como http://example.com/somedir/somefile.zip?foo=bar , puede usar os.path.basename para esto:

[user@host]$ python
Python 2.5.1 (r251:54869, Apr 18 2007, 22:08:04)
Type "help", "copyright", "credits" or "license" for more information.
>>> import os
>>> os.path.basename("http://example.com/somefile.zip")
''somefile.zip''
>>> os.path.basename("http://example.com/somedir/somefile.zip")
''somefile.zip''
>>> os.path.basename("http://example.com/somedir/somefile.zip?foo=bar")
''somefile.zip?foo=bar''

Algunos otros carteles mencionaron el uso de urlparse, que funcionará, pero aún necesitarás quitar el directorio principal del nombre del archivo. Si usa os.path.basename (), entonces no tiene que preocuparse por eso, ya que solo devuelve la parte final de la URL o la ruta del archivo.

Answer 10

Supongo que depende de lo que quieras decir al analizar. No hay forma de obtener el nombre de archivo sin analizar la URL, es decir, el servidor remoto no le da un nombre de archivo. Sin embargo, no tienes que hacer mucho tú mismo, está el módulo urlparse :

In [9]: urlparse.urlparse(''http://example.com/somefile.zip'')
Out[9]: (''http'', ''example.com'', ''/somefile.zip'', '''', '''', '''')

Answer 11

También podría combinar las dos respuestas mejor calificadas: Usar urllib2.urlparse.urlsplit () para obtener la ruta de acceso de la URL y luego os.path.basename para el nombre de archivo real.

El código completo sería:

>>> remotefile=urllib2.urlopen(url)
>>> try:
>>> filename=remotefile.info()[''Content-Disposition'']
>>> except KeyError:
>>> filename=os.path.basename(urllib2.urlparse.urlsplit(url).path)

Answer 12

Usar urlsplit es la opción más segura:

url = ''http://example.com/somefile.zip''
urlparse.urlsplit(url).path.split(''/'')[-1]

Answer 13

utilizando solicitudes, pero puede hacerlo fácilmente con urllib (2)

import requests
from urllib import unquote
from urlparse import urlparse
sample = requests.get(url)
if sample.status_code == 200:
#has_key not work here, and this help avoid problem with names
if filename == False:
if ''content-disposition'' in sample.headers.keys():
filename = sample.headers[''content-disposition''].split(''filename='')[-1].replace(''"'','''').replace('';'','''')
else:
filename = urlparse(sample.url).query.split(''/'')[-1].split(''='')[-1].split(''&'')[-1]
if not filename:
if url.split(''/'')[-1] != '''':
filename = sample.url.split(''/'')[-1].split(''='')[-1].split(''&'')[-1]
filename = unquote(filename)

Answer 14

import os,urllib2
resp = urllib2.urlopen(''http://www.example.com/index.html'')
my_url = resp.geturl()
os.path.split(my_url)[1]
# ''index.html''

Esto no es un archivo abierto, pero tal vez todavía ayude :)