在Python中维护网页的更新文件缓存？

Question

我正在编写一个应用程序，它需要对通过http获取的大文件进行持久的本地访问。我希望文件保存在本地目录中（某种形式的部分镜像），这样应用程序的后续执行只需注意到url已经在本地镜像，以便其他程序可以使用它们。在

理想情况下，它还可以保留时间戳或etag信息，并且能够使用If-Modified-Since或If-None-Match头快速发出http请求，以检查新版本，但除非文件已更新，否则避免完整下载。但是，由于这些网页很少更改，我可能可以忍受来自过时副本的bug，并在适当的时候找到其他方法从缓存中删除文件。在

环顾四周，我看到了urllib.request.urlretrieve可以保存缓存的副本，但似乎无法处理我的If-Modified-Since-cache更新目标。在

请求模块似乎是最新和最棒的，但它似乎不适用于本例。有一个CacheControl附加模块，它支持我的缓存更新目标，因为它执行完整的HTTP缓存。但它似乎没有以可直接用于其他（非python）程序的方式存储获取的文件，因为FileCache将资源存储为pickled数据。在can python-requests fetch url directly to file handle on disk like curl? - Stack Overflow上的讨论表明，保存到本地文件可以使用一些额外的代码来完成，但这似乎并不能很好地与CacheControl模块结合起来。在

那么有没有一个网上取书的图书馆可以满足我的需要？它基本上可以维护过去获取的文件的镜像（并告诉我文件名是什么），而不必显式地管理所有这些文件？在

Answer 1

我不认为有一个库可以做到这一点，但它并不难实现。以下是我在请求中使用的一些函数，可能会对您有所帮助：

import os
import os.path as op
import requests
import urlparse

CACHE = 'path/to/cache'

def _file_from_url(url):
    return op.basename(urlparse.urlsplit(url).path)


def is_cached(*args, **kwargs):
    url = kwargs.get('url', args[0] if args else None)
    path = op.join(CACHE, _file_from_url(url))

    if not op.isfile(path):
        return False

    res = requests.head(*args, **kwargs)

    if not res.ok:
        return False

    # Check if cache is stale. For me, checking content-length fitted my use case.
    # You can use modification date or etag here:

    if not 'content-length' in res.headers:
        return False

    return op.getsize(path) == int(res.headers['content-length'])


def update_cache(*args, **kwargs):
    url = kwargs.get('url', args[0] if args else None)
    path = op.join(CACHE, _file_from_url(url))

    res = requests.get(*args, **kwargs)

    if res.ok:
        with open(path, 'wb') as handle:
            for block in res.iter_content(1024):
                if block:
                    handle.write(block)
                    handle.flush()

用法：

^{pr2}$