importar - Obtener el tamaño de un archivo antes de descargarlo en Python

como importar archivos txt en python

Question

Estoy descargando un directorio completo de un servidor web. Funciona bien, pero no sé cómo obtener el tamaño del archivo antes de la descarga para comparar si se actualizó en el servidor o no. ¿Se puede hacer esto como si estuviera descargando el archivo desde un 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()

@Jon: gracias por tu respuesta rápida. Funciona, pero el tamaño del archivo en el servidor web es ligeramente menor que el tamaño del archivo descargado.

Ejemplos:

Local Size Server Size
2.223.533 2.115.516
664.603 662.121

Tiene algo que ver con la conversión CR / LF?

Answer 1

Además, si el servidor al que se está conectando lo admite, consulte Etags y los encabezados If-Modified-Since y If-None-Match .

Su uso aprovechará las reglas de almacenamiento en caché del servidor web y devolverá un código de estado 304 No modificado si el contenido no ha cambiado.

Answer 2

El tamaño del archivo se envía como el encabezado Content-Length. Aquí es cómo obtenerlo con urllib:

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

Answer 3

He reproducido lo que estás viendo:

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

Salidas esto:

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

¿Qué estoy haciendo mal aquí? ¿Os.stat (). St_size no devuelve el tamaño correcto?

Editar: OK, descubrí cuál era el problema:

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

esta salidas:

$ 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

Asegúrese de abrir ambos archivos para lectura / escritura binaria.

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

Answer 4

Utilizando la info() método devuelto-urllib-object info() , puede obtener diversa información sobre el documento recuperado. Ejemplo de cómo agarrar el logotipo actual de 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

Es un dict, así que para obtener el tamaño del archivo, lo haces urllibobject.info()[''Content-Length'']

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

Y para obtener el tamaño del archivo local (para comparación), puede usar el comando os.stat ():

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

Answer 5

En Python3:

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

Answer 6

Una solución basada en solicitudes que usa HEAD en lugar de GET (también imprime encabezados 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))

Uso

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

Answer 7

Para un enfoque de python3 (probado en 3.5) recomendaría:

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())