Ответ 1

Я не уверен, как работает реализация С#, но поскольку интернет-потоки, как правило, не доступны для поиска, я предполагаю, что он загружает все данные в локальный файл или объект в памяти и ищет внутри него. Эквивалент Python этого будет заключаться в том, чтобы предлагать Abafei и записывать данные в файл или StringIO и искать оттуда.

Однако, если, как указывает ваш комментарий к ответам Abafei, вы хотите получить только определенную часть файла (вместо того, чтобы искать назад и вперед через возвращаемые данные), есть еще одна возможность. urllib2 может использоваться для извлечения определенного раздела (или "диапазона" на языке HTTP) веб-страницы при условии, что сервер поддерживает это поведение.

Заголовок range

Когда вы отправляете запрос на сервер, параметры запроса указываются в разных заголовках. Одним из них является заголовок range, определенный в разделе раздела 14.35 RFC2616 (спецификация, определяющая HTTP/1.1). Этот заголовок позволяет делать такие вещи, как получение всех данных, начиная с 10 000-го байта, или данных между байтами 1000 и 1500.

Поддержка сервера

Нет необходимости поддерживать сервер для поддержки поиска диапазона. Некоторые серверы вернут заголовок Accept-Ranges (раздел 14.5 RFC2616) вместе с ответом на отчет, если они поддерживают диапазоны или нет. Это можно проверить с помощью запроса HEAD. Однако нет особой необходимости в этом; если сервер не поддерживает диапазоны, он вернет всю страницу, и мы сможем затем извлечь нужную часть данных в Python, как и раньше.

Проверка возврата диапазона

Если сервер возвращает диапазон, он должен отправить заголовок Content-Range (раздел 14.16 RFC2616) вместе с ответом. Если это присутствует в заголовках ответа, мы знаем, что диапазон был возвращен; если его нет, вся страница была возвращена.

Реализация с помощью urllib2

urllib2 позволяет нам добавлять заголовки к запросу, что позволяет нам запрашивать сервер для диапазона, а не всей страницы. Следующий script принимает URL-адрес, начальную позицию и (необязательно) длину в командной строке и пытается получить заданный раздел страницы.

import sys
import urllib2

# Check command line arguments.
if len(sys.argv) < 3:
    sys.stderr.write("Usage: %s url start [length]\n" % sys.argv[0])
    sys.exit(1)

# Create a request for the given URL.
request = urllib2.Request(sys.argv[1])

# Add the header to specify the range to download.
if len(sys.argv) > 3:
    start, length = map(int, sys.argv[2:])
    request.add_header("range", "bytes=%d-%d" % (start, start + length - 1))
else:
    request.add_header("range", "bytes=%s-" % sys.argv[2])

# Try to get the response. This will raise a urllib2.URLError if there is a
# problem (e.g., invalid URL).
response = urllib2.urlopen(request)

# If a content-range header is present, partial retrieval worked.
if "content-range" in response.headers:
    print "Partial retrieval successful."

    # The header contains the string 'bytes', followed by a space, then the
    # range in the format 'start-end', followed by a slash and then the total
    # size of the page (or an asterix if the total size is unknown). Lets get
    # the range and total size from this.
    range, total = response.headers['content-range'].split(' ')[-1].split('/')

    # Print a message giving the range information.
    if total == '*':
        print "Bytes %s of an unknown total were retrieved." % range
    else:
        print "Bytes %s of a total of %s were retrieved." % (range, total)

# No header, so partial retrieval was unsuccessful.
else:
    print "Unable to use partial retrieval."

# And for good measure, lets check how much data we downloaded.
data = response.read()
print "Retrieved data size: %d bytes" % len(data)

Используя это, я могу получить последние 2000 байт домашней страницы Python:

[email protected]:~$ python retrieverange.py http://www.python.org/ 17387
Partial retrieval successful.
Bytes 17387-19386 of a total of 19387 were retrieved.
Retrieved data size: 2000 bytes

Или 400 байт с середины главной страницы:

[email protected]:~$ python retrieverange.py http://www.python.org/ 6000 400
Partial retrieval successful.
Bytes 6000-6399 of a total of 19387 were retrieved.
Retrieved data size: 400 bytes

Однако главная страница Google не поддерживает диапазоны:

[email protected]:~$ python retrieverange.py http://www.google.com/ 1000 500
Unable to use partial retrieval.
Retrieved data size: 9621 bytes

В этом случае необходимо было бы извлечь интересующие данные в Python до дальнейшей обработки.

Ответ 2

Лучше всего просто записать данные в файл (или даже в строку, используя StringIO) и искать в этом файле (или строке).

Ответ 3

См.

Python ищет удаленный файл, используя HTTP

Решение основано на поддержке диапазона HTTP, как определено в RFC 2616.

Ответ 4

Я не нашел никаких существующих реализаций файлового интерфейса с URL-адресами seek() для HTTP, поэтому я перевел свою собственную простую версию: https://github.com/valgur/pyhttpio. Это зависит от urllib.request, но, вероятно, может быть легко изменено для использования requests, если это необходимо.

Полный код:

import cgi
import time
import urllib.request
from io import IOBase
from sys import stderr


class SeekableHTTPFile(IOBase):
    def __init__(self, url, name=None, repeat_time=-1, debug=False):
        """Allow a file accessible via HTTP to be used like a local file by utilities
         that use `seek()` to read arbitrary parts of the file, such as `ZipFile`.
        Seeking is done via the 'range: bytes=xx-yy' HTTP header.

        Parameters
        ----------
        url : str
            A HTTP or HTTPS URL
        name : str, optional
            The filename of the file.
            Will be filled from the Content-Disposition header if not provided.
        repeat_time : int, optional
            In case of HTTP errors wait `repeat_time` seconds before trying again.
            Negative value or `None` disables retrying and simply passes on the exception (the default).
        """
        super().__init__()
        self.url = url
        self.name = name
        self.repeat_time = repeat_time
        self.debug = debug
        self._pos = 0
        self._seekable = True
        with self._urlopen() as f:
            if self.debug:
                print(f.getheaders())
            self.content_length = int(f.getheader("Content-Length", -1))
            if self.content_length < 0:
                self._seekable = False
            if f.getheader("Accept-Ranges", "none").lower() != "bytes":
                self._seekable = False
            if name is None:
                header = f.getheader("Content-Disposition")
                if header:
                    value, params = cgi.parse_header(header)
                    self.name = params["filename"]

    def seek(self, offset, whence=0):
        if not self.seekable():
            raise OSError
        if whence == 0:
            self._pos = 0
        elif whence == 1:
            pass
        elif whence == 2:
            self._pos = self.content_length
        self._pos += offset
        return self._pos

    def seekable(self, *args, **kwargs):
        return self._seekable

    def readable(self, *args, **kwargs):
        return not self.closed

    def writable(self, *args, **kwargs):
        return False

    def read(self, amt=-1):
        if self._pos >= self.content_length:
            return b""
        if amt < 0:
            end = self.content_length - 1
        else:
            end = min(self._pos + amt - 1, self.content_length - 1)
        byte_range = (self._pos, end)
        self._pos = end + 1
        with self._urlopen(byte_range) as f:
            return f.read()

    def readall(self):
        return self.read(-1)

    def tell(self):
        return self._pos

    def __getattribute__(self, item):
        attr = object.__getattribute__(self, item)
        if not object.__getattribute__(self, "debug"):
            return attr

        if hasattr(attr, '__call__'):
            def trace(*args, **kwargs):
                a = ", ".join(map(str, args))
                if kwargs:
                    a += ", ".join(["{}={}".format(k, v) for k, v in kwargs.items()])
                print("Calling: {}({})".format(item, a))
                return attr(*args, **kwargs)

            return trace
        else:
            return attr

    def _urlopen(self, byte_range=None):
        header = {}
        if byte_range:
            header = {"range": "bytes={}-{}".format(*byte_range)}
        while True:
            try:
                r = urllib.request.Request(self.url, headers=header)
                return urllib.request.urlopen(r)
            except urllib.error.HTTPError as e:
                if self.repeat_time is None or self.repeat_time < 0:
                    raise
                print("Server responded with " + str(e), file=stderr)
                print("Sleeping for {} seconds before trying again".format(self.repeat_time), file=stderr)
                time.sleep(self.repeat_time)

Потенциальный пример использования:

url = "https://www.python.org/ftp/python/3.5.0/python-3.5.0-embed-amd64.zip"
f = SeekableHTTPFile(url, debug=True)
zf = ZipFile(f)
zf.printdir()
zf.extract("python.exe")

Изменить: на самом деле в этом ответе есть практически идентичная, если немного более минимальная, реализация: fooobar.com/info/370302/...