关于scrapy下载文件重命名的办法以及对应url没有文件后缀的办法

2022-08-07 16:01:31

https://www.jianshu.com/p/d1bb28cbb6a8

scrapy中负责下载文件的是class MyFilesPipeline(FilesPipeline)类

其中负责下载文件的方法是

def file_path(self, request, response=None, info=None):

        ## start of deprecation warning block (can be removed in the future)

        def _warn():

            from scrapy.exceptions import ScrapyDeprecationWarning

            import warnings

            warnings.warn('FilesPipeline.file_key(url) method is deprecated, please use '

                          'file_path(request, response=None, info=None) instead',

                          category=ScrapyDeprecationWarning, stacklevel=1)

        # check if called from file_key with url as first argument

        if not isinstance(request, Request):

            _warn()

            url = request

        else:

            url = request.url

        # detect if file_key() method has been overridden

        if not hasattr(self.file_key, '_base'):

            _warn()

            return self.file_key(url)

        ## end of deprecation warning block

        media_guid = hashlib.sha1(to_bytes(url)).hexdigest()  # change to request.url after deprecation

        media_ext = os.path.splitext(url)[1]  # change to request.url after deprecation

        return 'full/%s%s' % (media_guid, media_ext)

我们可以很清楚地看到因为是下载的是文件，所以默认的response参数是为None的,因为一般来讲，文件的response就是我们下载的。我们待会说明response为None的坏处。
所以，修改文件名的办法就很显然了。在return处做文章:return 的文件路径，用了两个变量media_guid和media_ext

其中media_guid是一个将url进行哈希加密的文件，可以修改。
另一个media_ext是什么呢: os.path.splitext(url)[1]这个函数是将url作切割，不同于py里的split函数，这个函数只返回两部分，示例如下

import os

path_01='D:/User/wgy/workplace/data/notMNIST_large.tar.gar'

path_02='D:/User/wgy/workplace/data/notMNIST_large'

root_01=os.path.splitext(path_01)

root_02=os.path.splitext(path_02)

print(root_01)

print(root_02)

结果：

('D:/User/wgy/workplace/data/notMNIST_large.tar', '.gar')

('D:/User/wgy/workplace/data/notMNIST_large', '')

　　可以看到，就是在scrapy里这个函数就是获取后缀的。
综上，文件名可以在这边修改。

但是有一个问题，如果想要下载的文件的url是经过重定向，或者对应的url没有后缀呢。
由于网页一般会将想要请求的文件类型放在response的头部信息 content-type里，我们可以通过获取content-type信息，在进行相应的操作。这样我们就需要找到调用file_path的函数

def file_downloaded(self, response, request, info):

        path = self.file_path(request, response=response, info=info)

        buf = BytesIO(response.body)

        checksum = md5sum(buf)

        buf.seek(0)

        self.store.persist_file(path, buf, info)

        return checksum

在file_downloaded里，第一行就是调用了file_path函数，而且根据命名规则，十分清晰。我们只要对上述path 做一定的修改即可。
因为file_downloaded是对文件进行下载，而file_path是对文件进行存储路径的安排的，所以file_downloaded这里的response我们是可以获取相关信息的。
获取重定向后文件后缀的方法为:
response.headers.get('Content-Disposition') 或者 response.headers.get('Content-Type') ，如果获取不到，可以改成content-disposition 或者 content-type,举个例子
content-disposition可能得到的是这个：
Content-Disposition: inline;filename=Vet%20Contract%20for%20Services.pdf，直接正则获取最后的文件路径

关于scrapy下载文件重命名的办法以及对应url没有文件后缀的办法是一个扩展协议，对得到的内容进行正则处理后，可以得到后缀，一般建议先用这个。但有的并不支持这种协议
一般网站都是支持的，但是它返回的文件类型可能没法直接使用，所以建议先使用上面的那个

作者：老鼠慎言
链接：https://www.jianshu.com/p/d1bb28cbb6a8
來源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。

码农公寓

相关文章