Question

我有一个用例，其中需要通过使用多个线程来部分下载大型远程文件。每个线程必须同时（并行）运行，以获取文件的特定部分。成功下载所有部件后，期望将这些部件组合成一个（原始）文件。

也许使用请求库可以完成这项工作，但是我不确定如何将其多线程化为将这些块组合在一起的解决方案。

url = 'https://url.com/file.iso'
headers = {"Range": "bytes=0-1000000"}  # first megabyte
r = get(url, headers=headers)

我还考虑过使用curl来安排Python的下载，但是我不确定这是正确的方法。它似乎太复杂了，已经偏离了原始的Python解决方案。像这样：

curl --range 200000000-399999999 -o file.iso.part2

有人可以解释您如何处理这样的事情吗？还是发布一个在Python 3中可用的代码示例？我通常很容易找到与Python相关的答案，但似乎无法解决这个问题。

Answer 1

您可以使用grequests并行下载。

import grequests

URL = 'https://cdimage.debian.org/debian-cd/current/amd64/iso-cd/debian-10.1.0-amd64-netinst.iso'
CHUNK_SIZE = 104857600  # 100 MB
HEADERS = []

_start, _stop = 0, 0
for x in range(4):  # file size is > 300MB, so we download in 4 parts. 
    _start = _stop
    _stop = 104857600 * (x + 1)
    HEADERS.append({"Range": "bytes=%s-%s" % (_start, _stop)})


rs = (grequests.get(URL, headers=h) for h in HEADERS)
downloads = grequests.map(rs)

with open('/tmp/debian-10.1.0-amd64-netinst.iso', 'ab') as f:
    for download in downloads:
        print(download.status_code)
        f.write(download.content)

PS：我没有检查范围是否正确确定，以及下载的md5sum是否匹配！总体而言，这应该表明它如何工作。

Answer 2

这里是使用Python 3和Asyncio的版本，这只是一个示例，可以进行改进，但是您应该能够获得所需的一切。

get_size：发送HEAD请求以获取文件大小
download_range：下载单个块
download：下载所有块并将其合并

import asyncio
import concurrent.futures
import requests
import os


URL = 'https://file-examples.com/wp-content/uploads/2017/04/file_example_MP4_1920_18MG.mp4'
OUTPUT = 'video.mp4'


async def get_size(url):
    response = requests.head(url)
    size = int(response.headers['Content-Length'])
    return size


def download_range(url, start, end, output):
    headers = {'Range': f'bytes={start}-{end}'}
    response = requests.get(url, headers=headers)

    with open(output, 'wb') as f:
        for part in response.iter_content(1024):
            f.write(part)


async def download(executor, url, output, chunk_size=1000000):
    loop = asyncio.get_event_loop()

    file_size = await get_size(url)
    chunks = range(0, file_size, chunk_size)

    tasks = [
        loop.run_in_executor(
            executor,
            download_range,
            url,
            start,
            start + chunk_size - 1,
            f'{output}.part{i}',
        )
        for i, start in enumerate(chunks)
    ]

    await asyncio.wait(tasks)

    with open(output, 'wb') as o:
        for i in range(len(chunks)):
            chunk_path = f'{output}.part{i}'

            with open(chunk_path, 'rb') as s:
                o.write(s.read())

            os.remove(chunk_path)


if __name__ == '__main__':
    executor = concurrent.futures.ThreadPoolExecutor(max_workers=3)
    loop = asyncio.get_event_loop()

    try:
        loop.run_until_complete(
            download(executor, URL, OUTPUT)
        )
    finally:
        loop.close()

使用多个并行线程分批下载大文件

2 个答案: