R - curl - 仅在更改时下载远程文件

Question

对于一个项目，我需要定期从不同的网站下载数据文件，以基于这些文件创建指标。

由于这些文件的更新频率变化很大，我正在寻找一种有效的方法来检测远程文件是否已更新。

下面建议使用curl的-I选项。这在使用 curl 包时如何转换？

https://superuser.com/questions/619592/get-modification-time-of-remote-file-over-http-in-bash-script

替代解决方案似乎针对文件大小或修改日期解析 header：

类似于：

PHP: Remote file size without downloading file

然而，我在下面的尝试（使用一个小文件）下载了完整文件。

library(curl)


req <- curl_fetch_memory("http://www.pcr.uu.se/digitalAssets/124/124932_1ucdponesided2015.rdata")
str(req)
object.size(req)
parse_headers(req$headers)

是否可以只下载带有 curl 包的 header 或指定一个选项以避免冗余下载？

Answer 1

您必须保留文件的最后修改日期的历史记录（假设网络服务器报告的日期一致）并在下载前使用 httr::HEAD() 检查（即您有一些工作要做将最后修改的值存储在某处，可能在带有 URL 的数据框中）：

library(httr)

URL <- "http://www.pcr.uu.se/digitalAssets/124/124932_1ucdponesided2015.rdata"

#' Download a file only if it hasn't changed since \code{last_modified}
#' 
#' @param URL url of file
#' @param fil path to write file
#' @param last_modified \code{POSIXct}. Ideally, the output from the first 
#'        successful run of \code{get_file()}
#' @param overwrite overwrite the file if it exists?
#' @param .verbose output a message if the file was unchanged?
get_file <- function(URL, fil, last_modified=NULL, overwrite=TRUE, .verbose=TRUE) {

  if ((!file.exists(fil)) || is.null(last_modified)) {
    res <- GET(URL, write_disk(fil, overwrite))
    return(httr::parse_http_date(res$headers$`last-modified`))
  } else if (inherits(last_modified, "POSIXct")) {
    res <- HEAD(URL)
    cur_last_mod <- httr::parse_http_date(res$headers$`last-modified`)
    if (cur_last_mod != last_modified) {
      res <- GET(URL, write_disk(fil, overwrite))
      return(httr::parse_http_date(res$headers$`last-modified`))
    }
    if (.verbose) message(sprintf("'%s' unchanged since %s", URL, last_modified))
    return(last_modified)
  } 

}

# first run == you don't know the last-modified date.
# you need to pair this with the URL in some data structure for later use.
last_mod <- get_file(URL, basename(URL))

class(last_mod)
## [1] "POSIXct" "POSIXt"

last_mod
## [1] "2015-11-16 17:34:06 GMT"

last_mod <- get_file(URL, basename(URL), last_mod)
#> 'http://www.pcr.uu.se/digitalAssets/124/124932_1ucdponesided2015.rdata' unchanged since 2015-11-16 17:34:06

Answer 2

httr 包的替代方法是 base 函数 base::curlGetHeaders(url)，但您仍然需要自己解析最后修改日期！

R - curl - 仅在更改时下载远程文件

R - curl - download remote file only when changed

r

curl

timestamp

handle

httr