Pythonを使用してHTTP経由でファイルをダウンロードするにはどうすればよいですか？

小さなユーティリティを使用して、定期的にWebサイトからMP3ファイルをダウンロードし、iTunesに追加したポッドキャストXMLファイルを作成/更新しています。

XMLファイルを作成/更新するテキスト処理はPythonで記述されています。しかし、私はWindows内でwgetを使用しています.bat実際のMP3ファイルをダウンロードするにはファイルます。ユーティリティ全体をPythonで記述したいと思います。

実際にPythonでファイルをダウンロードする方法を見つけるのに苦労しました。 wget。

では、Pythonを使用してファイルをダウンロードするにはどうすればよいですか？

Python 2では、標準ライブラリに付属しているurllib2を使用します。

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

これは、ライブラリを使用する最も基本的な方法ですが、エラー処理はありません。ヘッダーの変更など、より複雑なこともできます。ドキュメントはここにあります。

もう1つ、以下を使用しurlretrieveます。

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

（パイソン3+使用するimport urllib.requestとurllib.request.urlretrieve）

「プログレスバー」を備えたさらにもう1つの

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()

2012年には、Pythonリクエストライブラリを使用します

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

あなたはpip install requestsそれを手に入れるために走ることができます。

APIの方がはるかに単純であるため、リクエストには他の方法よりも多くの利点があります。これは、認証を行う必要がある場合に特に当てはまります。この場合、urllibとurllib2はかなり直感的でなく、苦痛です。

2015-12-30

人々はプログレスバーに賞賛を表明しています。かっこいいです。現在、いくつかの既製のソリューションがあります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)

これは基本的に30か月前に記述された@kvanceの実装です。

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

wb中には、open('test.mp3','wb')あなただけではなく、テキストのそれにデータを保存することができますので、バイナリモードでファイルを開きます（と既存のファイルが消去されます）。

Python 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')

  注：ドキュメントによると、urllib.request.urlretrieveは「レガシーインターフェイス」であり、「将来的に非推奨になる可能性があります」（gerritに感謝）

Python 2

• urllib2.urlopen（コーリーに感謝）

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

• urllib.urlretrieve（PabloGに感謝）

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

wgetモジュールを使用：

import wget
wget.download('url')

Python 2/3用のPabloGコードの改良バージョン：

#!/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)

シンプルでPython 2 & Python 3互換性のある方法がsixライブラリに付属しています：

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

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")

書いたwgetのちょうどこの目的のために純粋なPythonでライブラリを。それは、汲み上げられurlretrieveて、これらの機能バージョン2.0のよう。

以下は、Pythonでファイルをダウンロードするために最も一般的に使用される呼び出しです。

1. urllib.urlretrieve ('url_to_file', file_name)

2. urllib2.urlopen('url_to_file')

3. requests.get(url)

4. wget.download('url', file_name)

注：urlopenとはurlretrieve大きなファイル（> 500メガバイトのサイズ）をダウンロードして、比較的悪い実行することが分かっています。requests.getダウンロードが完了するまで、ファイルをメモリに保存します。

私はCoreyに同意します。urllib2はurllibよりも完全であり、より複雑なことをしたい場合はおそらく使用されるモジュールですが、答えをより完全にするためには、基本だけが必要な場合、urllibはより単純なモジュールです。

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

正常に動作します。または、「応答」オブジェクトを処理したくない場合は、read（）を直接呼び出すことができます。

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

python3では、urllib3とshutil librairesを使用できます。pipまたはpip3を使用してそれらをダウンロードします（python3がデフォルトかどうかによって異なります）

pip3 install urllib3 shutil

次に、このコードを実行します

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)

ダウンロードurllib3するurllibがコードで使用することに注意してください

urlretrieveでも進行状況のフィードバックを取得できます。

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)

wgetがインストールされている場合は、parallel_syncを使用できます。

pip install parallel_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)

ドキュメント：https : //pythonhosted.org/parallel_sync/pages/examples.html

これはかなり強力です。ファイルを並行してダウンロードし、失敗時に再試行できます。また、リモートマシンにファイルをダウンロードすることもできます。

速度が問題になる場合は、私は、モジュールの小型性能試験を行ったurllibとwget、そしてについてwget、私は、ステータスバーにとせずに一度、一度試してみました。私は3つの異なる500MBファイルをテストするために使用しました（異なるファイル-内部でキャッシュが実行されている可能性を排除するため）。python2を使用して、debianマシンでテストされています。

最初に、これらは結果です（これらは異なる実行で類似しています）。

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

テストの実行方法は、「プロファイル」デコレーターを使用しています。これは完全なコードです：

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 最速のようです

完全を期すために、subprocessパッケージを使用してファイルを取得するためのプログラムを呼び出すこともできます。ファイルの取得専用のプログラムは、などのPython関数よりも強力ですurlretrieve。たとえば、wgetディレクトリを再帰的にダウンロードでき（-R）、FTP、リダイレクト、HTTPプロキシを処理でき、既存のファイルの再ダウンロードを回避でき（-nc）、aria2ダウンロードを高速化できるマルチ接続ダウンロードを実行できます。

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

Jupyter Notebookでは、次の!構文でプログラムを直接呼び出すこともできます。

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

ソースコードは次のとおりです。

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

Python 2および3でPycURLを使用できます。

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()

バニラPython 2またはPython 3で動作する以下を作成しました。

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()

ノート：

• 「進行状況バー」コールバックをサポートします。
• ダウンロードは、私のWebサイトからの4 MBのテスト.zipです。

これは少し遅いかもしれませんが、pabloGのコードを見て、os.system（ 'cls'）を追加して見栄えを良くすることはできませんでした！見てみな ：

    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()

Windows以外の環境で実行している場合は、「cls」以外の何かを使用する必要があります。MAC OS XとLinuxでは、それは「明確」であるはずです。

urlretrieveとrequests.getは単純ですが、実際はそうではありません。テキストや画像など、いくつかのサイトのデータを取得しましたが、上記の2つでおそらくほとんどのタスクを解決できます。しかし、より一般的な解決策として、urlopenの使用をお勧めします。Python 3標準ライブラリに含まれているため、サイトパッケージを事前にインストールしなくても、Python 3を実行する任意のマシンでコードを実行できます。

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()

この回答は、Pythonを使用してhttp経由でファイルをダウンロードする場合のHTTP 403 Forbiddenの解決策を提供します。私はリクエストとurllibモジュールのみを試しましたが、他のモジュールはより良いものを提供するかもしれませんが、これはほとんどの問題を解決するために使用したものです。

遅い答えですが、python>=3.6あなたのために使うことができます：

import dload
dload.save(url)

インストールdload：

pip3 install dload

ウェブページからすべてのファイルをダウンロードしたかったのですが。試してみwgetましたが失敗しましたので、Pythonルートを選択し、このスレッドを見つけました。

それを読んだ後soupget、PabloGとStanの優れた答えを拡張し、いくつかの便利なオプションを追加して、小さなコマンドラインアプリケーションを作成しました。

BeatifulSoupを使用してページのすべてのURLを収集し、目的の拡張子を持つURLをダウンロードします。最後に、複数のファイルを並行してダウンロードできます。

ここにあります：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
from __future__ import (division, absolute_import, print_function, unicode_literals)
import sys, os, argparse
from bs4 import BeautifulSoup

# --- insert Stan's script here ---
# if sys.version_info >= (3,): 
#...
#...
# def download_file(url, dest=None): 
#...
#...

# --- new stuff ---
def collect_all_url(page_url, extensions):
    """
    Recovers all links in page_url checking for all the desired extensions
    """
    conn = urllib2.urlopen(page_url)
    html = conn.read()
    soup = BeautifulSoup(html, 'lxml')
    links = soup.find_all('a')

    results = []    
    for tag in links:
        link = tag.get('href', None)
        if link is not None: 
            for e in extensions:
                if e in link:
                    # Fallback for badly defined links
                    # checks for missing scheme or netloc
                    if bool(urlparse.urlparse(link).scheme) and bool(urlparse.urlparse(link).netloc):
                        results.append(link)
                    else:
                        new_url=urlparse.urljoin(page_url,link)                        
                        results.append(new_url)
    return results

if __name__ == "__main__":  # Only run if this file is called directly
    # Command line arguments
    parser = argparse.ArgumentParser(
        description='Download all files from a webpage.')
    parser.add_argument(
        '-u', '--url', 
        help='Page url to request')
    parser.add_argument(
        '-e', '--ext', 
        nargs='+',
        help='Extension(s) to find')    
    parser.add_argument(
        '-d', '--dest', 
        default=None,
        help='Destination where to save the files')
    parser.add_argument(
        '-p', '--par', 
        action='store_true', default=False, 
        help="Turns on parallel download")
    args = parser.parse_args()

    # Recover files to download
    all_links = collect_all_url(args.url, args.ext)

    # Download
    if not args.par:
        for l in all_links:
            try:
                filename = download_file(l, args.dest)
                print(l)
            except Exception as e:
                print("Error while downloading: {}".format(e))
    else:
        from multiprocessing.pool import ThreadPool
        results = ThreadPool(10).imap_unordered(
            lambda x: download_file(x, args.dest), all_links)
        for p in results:
            print(p)

その使用例は次のとおりです。

python3 soupget.py -p -e <list of extensions> -d <destination_folder> -u <target_webpage>

そして、あなたがそれを実際に見てみたい場合の実際の例：

python3 soupget.py -p -e .xlsx .pdf .csv -u https://healthdata.gov/dataset/chemicals-cosmetics