Python - 在http响应流中寻找

Question

使用urllibs（或urllibs2）并想要我想要的东西是没有希望的。 有什么解决办法吗？

Answer 1

我不确定 C# 实现是如何工作的，但是，由于 Internet 流通常不可搜索，我猜它会将所有数据下载到本地文件或内存对象并从那里搜索。与此等效的 Python 将按照 Abafei 的建议将数据写入文件或 StringIO 并从那里查找。

但是，如果正如您对 Abafei 回答的评论所暗示的那样，您只想检索文件的特定部分（而不是通过返回的数据来回查找），还有另一种可能性。 urllib2 可用于检索网页的某个部分（或 HTTP 术语中的“范围”），前提是服务器支持此行为。

range 标头

当您向服务器发送请求时，请求的参数在各种标头中给出。其中之一是Range 标头，在section 14.35 of RFC2616（定义HTTP/1.1 的规范）中定义。此标头允许您执行诸如检索从第 10,000 个字节开始的所有数据或字节 1,000 到 1,500 之间的数据等操作。

服务器支持

服务器不需要支持范围检索。一些服务器将返回 Accept-Ranges 标头 (section 14.5 of RFC2616) 以及响应以报告它们是否支持范围。这可以使用 HEAD 请求进行检查。但是，没有特别需要这样做；如果服务器不支持范围，它将返回整个页面，然后我们可以像以前一样在 Python 中提取所需的数据部分。

检查是否返回范围

如果服务器返回一个范围，它必须将 Content-Range 标头 (section 14.16 of RFC2616) 与响应一起发送。如果这出现在响应的标头中，我们就知道返回了一个范围；如果不存在，则返回整个页面。

使用 urllib2 实现

urllib2 允许我们向请求添加标头，从而允许我们向服务器询问范围而不是整个页面。以下脚本在命令行中获取 URL、起始位置和（可选）长度，并尝试检索页面的给定部分。

import sys
import urllib2

# Check command line arguments.
if len(sys.argv) < 3:
    sys.stderr.write("Usage: %s url start [length]\n" % sys.argv[0])
    sys.exit(1)

# Create a request for the given URL.
request = urllib2.Request(sys.argv[1])

# Add the header to specify the range to download.
if len(sys.argv) > 3:
    start, length = map(int, sys.argv[2:])
    request.add_header("range", "bytes=%d-%d" % (start, start + length - 1))
else:
    request.add_header("range", "bytes=%s-" % sys.argv[2])

# Try to get the response. This will raise a urllib2.URLError if there is a
# problem (e.g., invalid URL).
response = urllib2.urlopen(request)

# If a content-range header is present, partial retrieval worked.
if "content-range" in response.headers:
    print "Partial retrieval successful."

    # The header contains the string 'bytes', followed by a space, then the
    # range in the format 'start-end', followed by a slash and then the total
    # size of the page (or an asterix if the total size is unknown). Lets get
    # the range and total size from this.
    range, total = response.headers['content-range'].split(' ')[-1].split('/')

    # Print a message giving the range information.
    if total == '*':
        print "Bytes %s of an unknown total were retrieved." % range
    else:
        print "Bytes %s of a total of %s were retrieved." % (range, total)

# No header, so partial retrieval was unsuccessful.
else:
    print "Unable to use partial retrieval."

# And for good measure, lets check how much data we downloaded.
data = response.read()
print "Retrieved data size: %d bytes" % len(data)

使用它，我可以检索 Python 主页的最后 2000 个字节：

blair@blair-eeepc:~$ python retrieverange.py http://www.python.org/ 17387
Partial retrieval successful.
Bytes 17387-19386 of a total of 19387 were retrieved.
Retrieved data size: 2000 bytes

或首页中间400字节：

blair@blair-eeepc:~$ python retrieverange.py http://www.python.org/ 6000 400
Partial retrieval successful.
Bytes 6000-6399 of a total of 19387 were retrieved.
Retrieved data size: 400 bytes

但是，Google 主页不支持范围：

blair@blair-eeepc:~$ python retrieverange.py http://www.google.com/ 1000 500
Unable to use partial retrieval.
Retrieved data size: 9621 bytes

在这种情况下，有必要在 Python 中提取感兴趣的数据，然后再进行任何进一步处理。

Answer 2

最好将数据写入文件（甚至写入字符串，使用StringIO），然后在该文件（或字符串）中查找。

Answer 3

我没有找到任何现有的使用 seek() 到 HTTP URL 的类文件接口的实现，所以我推出了自己的简单版本：https://github.com/valgur/pyhttpio。它取决于urllib.request，但如有必要，可能很容易修改为使用requests。

完整代码：

import cgi
import time
import urllib.request
from io import IOBase
from sys import stderr


class SeekableHTTPFile(IOBase):
    def __init__(self, url, name=None, repeat_time=-1, debug=False):
        """Allow a file accessible via HTTP to be used like a local file by utilities
         that use `seek()` to read arbitrary parts of the file, such as `ZipFile`.
        Seeking is done via the 'range: bytes=xx-yy' HTTP header.

        Parameters
        ----------
        url : str
            A HTTP or HTTPS URL
        name : str, optional
            The filename of the file.
            Will be filled from the Content-Disposition header if not provided.
        repeat_time : int, optional
            In case of HTTP errors wait `repeat_time` seconds before trying again.
            Negative value or `None` disables retrying and simply passes on the exception (the default).
        """
        super().__init__()
        self.url = url
        self.name = name
        self.repeat_time = repeat_time
        self.debug = debug
        self._pos = 0
        self._seekable = True
        with self._urlopen() as f:
            if self.debug:
                print(f.getheaders())
            self.content_length = int(f.getheader("Content-Length", -1))
            if self.content_length < 0:
                self._seekable = False
            if f.getheader("Accept-Ranges", "none").lower() != "bytes":
                self._seekable = False
            if name is None:
                header = f.getheader("Content-Disposition")
                if header:
                    value, params = cgi.parse_header(header)
                    self.name = params["filename"]

    def seek(self, offset, whence=0):
        if not self.seekable():
            raise OSError
        if whence == 0:
            self._pos = 0
        elif whence == 1:
            pass
        elif whence == 2:
            self._pos = self.content_length
        self._pos += offset
        return self._pos

    def seekable(self, *args, **kwargs):
        return self._seekable

    def readable(self, *args, **kwargs):
        return not self.closed

    def writable(self, *args, **kwargs):
        return False

    def read(self, amt=-1):
        if self._pos >= self.content_length:
            return b""
        if amt < 0:
            end = self.content_length - 1
        else:
            end = min(self._pos + amt - 1, self.content_length - 1)
        byte_range = (self._pos, end)
        self._pos = end + 1
        with self._urlopen(byte_range) as f:
            return f.read()

    def readall(self):
        return self.read(-1)

    def tell(self):
        return self._pos

    def __getattribute__(self, item):
        attr = object.__getattribute__(self, item)
        if not object.__getattribute__(self, "debug"):
            return attr

        if hasattr(attr, '__call__'):
            def trace(*args, **kwargs):
                a = ", ".join(map(str, args))
                if kwargs:
                    a += ", ".join(["{}={}".format(k, v) for k, v in kwargs.items()])
                print("Calling: {}({})".format(item, a))
                return attr(*args, **kwargs)

            return trace
        else:
            return attr

    def _urlopen(self, byte_range=None):
        header = {}
        if byte_range:
            header = {"range": "bytes={}-{}".format(*byte_range)}
        while True:
            try:
                r = urllib.request.Request(self.url, headers=header)
                return urllib.request.urlopen(r)
            except urllib.error.HTTPError as e:
                if self.repeat_time is None or self.repeat_time < 0:
                    raise
                print("Server responded with " + str(e), file=stderr)
                print("Sleeping for {} seconds before trying again".format(self.repeat_time), file=stderr)
                time.sleep(self.repeat_time)

一个潜在的用法示例：

url = "https://www.python.org/ftp/python/3.5.0/python-3.5.0-embed-amd64.zip"
f = SeekableHTTPFile(url, debug=True)
zf = ZipFile(f)
zf.printdir()
zf.extract("python.exe")

编辑：在这个答案中实际上有一个几乎相同的实现，如果稍微少一点的话：https://stackoverflow.com/a/7852229/2997179