hget 1.0.6

No project description provided

hget

hget是用于下载文件的命令行软件，支持http和ftp两种下载协议(http/https/ftp)，优化亚马逊云对象存储数据下载(aws s3 cp)，采用异步协程并发下载，节省线程开销，提高并发量，支持可中断的，随时恢复的下载方式。在网络不好的情况下，可实现下载速度比wget/axel/aws s3 cp快100~200倍以上。

1. 依赖

1.1 运行环境

• linux64
• python >=3.8

1.2 其他python模块依赖

• Cython
• requests
• aiohttp
• boto3
• tqdm

2. 特点

• python async异步协程并发，减少线程开销，支持更多并发量
• 对单个下载文件进行分块并发下载，充分利用网络IO，同时支持断点续传
• 有一个*.ht的中间文件，记录各分块下载进度和状态，无其他临时文件
• 程序autoreload机制，网络异常或其他程序异常情况下，会自动重置环境并继续下载
• 多种异常以及信号处理，确保下载状态能准确保存

3. 安装

git仓库安装 (for recommend)

pip3 install git+https://github.com/yodeng/hget.git

Pypi官方源安装

pip3 install hget -U

4. 使用

hget支持命令行运行和模块导入运行

4.1 command-line usage

$ hget -h 
usage: hget [-h] [-o <file>] [--dir <dir>] [-n <int>] [-c <int>] [-t <int>] [-s <str>] [-d] [-q] [-v] [--access-key <str>] [--secrets-key <str>] [--noreload] <url>

An interruptable and resumable download accelerator.

positional arguments:
  <url>                 download url, http/https/s3/ftp support

optional arguments:
  -h, --help            show this help message and exit
  -o <file>, --output <file>
                        output download file
  --dir <dir>           output download directory
  -n <int>, --num <int>
                        the max number of async concurrency (not thread or process), default: auto
  -c <int>, --connections <int>
                        the max number of tcp connections for http/https. more tcp connections can speedup, but might be forbidden by url server, default: auto
  -t <int>, --timeout <int>
                        timeout for download, 30s by default
  -s <str>, --max-speed <str>
                        specify maximum speed per second, case-insensitive unit support (K[b], M[b]...), no-limited by default
  -d, --debug           logging debug
  -q, --quiet           suppress all output except error or download success
  -v, --version         show program's version number and exit
  --noreload            tells hget to NOT use the auto-reloader

aws arguments:
  --access-key <str>    access key if necessary
  --secrets-key <str>   secrets key if necessary

命令和参数解释如下:

参数	描述
<url>	位置参数，需要下载的网址，以http/https/ftp/s3开头
-o/--output	下载保存的文件名，默认当前目录下的下载文件
-n/--num	最大的下载并发量，默认根据下载文件大小自动配置。
-c/--connections	http协议下载时，最大的tcp连接数，默认根据下载文件大小自动配置，值越大可加速下载，但有可能连接过多被服务端拒绝连接
-t/--timeout	下载连接的最长超时，默认30秒
-s/--max-speed	每秒最大数据下载量(bytes)，默认无限制，支持不区分大小写的单位K[B]，M[B]等等
-d/--debug	debug模式，更多的logging输出
-q/--quiet	禁止除错误外的全部屏幕输出
-v/--version	打印软件版本并退出
--access-key	亚马逊云对象存储访问key，s3地址生效，没有可以不提供
--secrets-key	亚马逊云对象存储私有key，s3地址生效，没有可以不提供
--noreload	禁止自动重载，当网络异常或程序异常中断情况下，不进行重置并继续下载

• -c/--connections： 最大tcp连接数，自动选择即可，如果要配置，建议不要超过500
• -n/--num: 最大并发量，自动选择即可，如果要配置，建议不要超过1000，否则可能会超出系统ulimit限制而被杀掉

4.2 python module import usage

Simple usage

from hget import hget

url="https://hgdownload.soe.ucsc.edu/goldenPath/hg19/bigZips/hg19.fa.gz"
outfile="./hg19.fa.gz"

hget(url=url, outfile=outfile, quiet=False)

Parallel usage

from joblib import Parallel, delayed
from hget import hget

urls = ["https://hgdownload.soe.ucsc.edu/goldenPath/hg19/bigZips/hg19.fa.gz",
        "https://hgdownload.soe.ucsc.edu/goldenPath/hg38/bigZips/hg38.fa.gz"]

Parallel(n_jobs=2)(delayed(hget)(url) for url in urls)

• import调用方式不支持auto-reload

5. 测试

以ucsc的hg19基因组fasta文件下载为例：

hget https://hgdownload.soe.ucsc.edu/goldenPath/hg19/bigZips/hg19.fa.gz (单线程异步, 下载速度 5Mb/s)

wget https://hgdownload.soe.ucsc.edu/goldenPath/hg19/bigZips/hg19.fa.gz (下载速度<20kb/s)

axel -n 40 -a https://hgdownload.soe.ucsc.edu/goldenPath/hg19/bigZips/hg19.fa.gz (40个线程，下载速度约200kb/s左右)

6. 说明

• hget异步下载，对http下载做了并发优化处理，ftp下载只支持断点续传
• 由于并发较大，可能会遇到部分网站服务端拒绝连接的情况，通常几分钟后即可恢复，可通过减少TCP连接和并发量参数控制，也可以通过设置最大下载速度控制
• hget只是提供普通下载，请勿用于爬虫或恶意网络连接，产生一切责任由使用者承担

7. License

MIT license