Question

我正在编写一个应用程序，用于计算在网页上使用gzip后节省的成本。当用户输入使用gzip的网页的URL时，应用程序应该因gzip而节省大小。

我该如何解决这个问题？

这是我在页面上作为GET请求的标题获取的内容：

{
    'X-Powered-By': 'PHP/5.5.9-1ubuntu4.19',
    'Transfer-Encoding': 'chunked',
    'Content-Encoding': 'gzip',
    'Vary': 'Accept-Encoding', 
    'Server': 'nginx/1.4.6 (Ubuntu)',
    'Connection': 'keep-alive',
    'Date': 'Thu, 10 Nov 2016 09:49:58 GMT',
    'Content-Type': 'text/html'
}

我正在使用requests检索页面：

r  = requests.get(url, headers)
data = r.text
print "Webpage size : " , len(data)/1024

Answer 1

如果您已经下载了网址（使用requests GET请求但没有stream选项，那么您已经拥有这两种尺寸，因为整个响应已下载并解压缩，并且标题中提供了原始长度：

from __future__ import division

r = requests.get(url, headers=headers)
compressed_length = int(r.headers['content-length'])
decompressed_length = len(r.content)

ratio = compressed_length / decompressed_length

您可以将Accept-Encoding: identity HEAD请求内容长度标头与设置为Accept-Encoding: gzip的标头进行比较：

no_gzip = {'Accept-Encoding': 'identity'}
no_gzip.update(headers)
uncompressed_length = int(requests.get(url, headers=no_gzip).headers['content-length'])
force_gzip = {'Accept-Encoding': 'gzip'}
force_gzip.update(headers)
compressed_length = int(requests.get(url, headers=force_gzip).headers['content-length'])

但是，这可能对所有服务器都不起作用，因为动态生成的内容服务器通常会在这种情况下使用Content-Length标头，以避免必须首先呈现内容。

如果您要请求chunked transfer encoding资源，则内容长度标头，在这种情况下，HEAD请求可能会也可能不会为您提供正确的信息

在这种情况下，你有流整个响应并从流的末尾提取解压缩的大小（GZIP格式包含这个作为一个小端4字节无符号int at最后）。使用原始urllib3响应对象上的stream() method：

import requests
from collections import deque

if hasattr(int, 'from_bytes'):
    # Python 3.2 and up
    _extract_size = lambda q: int.from_bytes(bytes(q), 'little')
else:
    import struct
    _le_int = struct.Struct('<I').unpack
    _extract_size = lambda q: _le_int(b''.join(q))[0]

def get_content_lengths(url, headers=None, chunk_size=2048):
    """Return the compressed and uncompressed lengths for a given URL

    Works for all resources accessible by GET, regardless of transfer-encoding
    and discrepancies between HEAD and GET responses. This does have
    to download the full request (streamed) to determine sizes.

    """
    only_gzip = {'Accept-Encoding': 'gzip'}
    only_gzip.update(headers or {})
    # Set `stream=True` to ensure we can access the original stream:
    r = requests.get(url, headers=only_gzip, stream=True)
    r.raise_for_status()
    if r.headers.get('Content-Encoding') != 'gzip':
        raise ValueError('Response not gzip-compressed')
    # we only need the very last 4 bytes of the data stream
    last_data = deque(maxlen=4)
    compressed_length = 0
    # stream directly from the urllib3 response so we can ensure the
    # data is not decompressed as we iterate
    for chunk in r.raw.stream(chunk_size, decode_content=False):
        compressed_length += len(chunk)
        last_data.extend(chunk)
    if compressed_length < 4:
        raise ValueError('Not enough data loaded to determine uncompressed size')
    return compressed_length, _extract_size(last_data)

演示：

>>> compressed_length, decompressed_length = get_content_lengths('http://httpbin.org/gzip')
>>> compressed_length
179
>>> decompressed_length
226
>>> compressed_length / decompressed_length
0.7920353982300885

Answer 2

在接受和不接受gzip压缩的情况下发送HEAD请求，并在结果之间比较Content-Length标头。

'accept-encoding'标头可以帮助您使用gzip压缩请求：

'accept-encoding': 'gzip'

在这种情况下，请求不使用gzip编码。

'accept-encoding': ''

requests库可以轻松处理发送HEAD请求：

import requests
r = requests.head("http://stackoverflow.com/", headers={'Accept-Encoding': 'gzip'})
print(r.headers['content-length'])

41450

r = requests.head("http://stackoverflow.com/", headers={'Accept-Encoding': ''})
print(r.headers['content-length'])

250243

使用分块传输编码和gzip压缩的网页的未压缩大小

2 个答案: