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

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

1. 其中media_guid是一个将url进行哈希加密的文件，可以修改。
2. 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

 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

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

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。