https://www.jianshu.com/p/d1bb28cbb6a8
scrapy中负责下载文件的是class MyFilesPipeline(FilesPipeline)类
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
media_guid是一个将url进行哈希加密的文件，可以修改。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。
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
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。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。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file_path的函数关于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
原文：https://www.cnblogs.com/pythonClub/p/9858830.html