如何在 Python 中确定使用 HTTP 下载的内容的文件名？

Question

我使用 Python

get

 库的 

requests 函数下载文件。为了存储文件，我想像网络浏览器的“保存”或“另存为...”对话框那样确定文件名。

简单吧？我可以 从

Content-Disposition

HTTP 标头获取它，可在响应对象上访问：

import re
d = r.headers['content-disposition']
fname = re.findall("filename=(.+)", d)

但更仔细地看这个话题，它并不that容易：

根据 RFC 6266 section 4.3，以及 section 4.1 中的语法，该值可以是不带引号的标记（例如

the_report.pdf

）或带引号的字符串，也可以包含空格（例如

"the report.pdf"

）和转义序列。此外，

当“文件名”和“文件名*”都出现在单个标头字段值中时，[我们]应该选择“文件名*”并忽略“文件名”。

filename*

的值，虽然，比 filename

 的值更复杂

。

此外，RFC 似乎允许在

=

周围留出额外的空格。

因此，对于 RFC 中列出的示例，我想要以下结果：

•   Content-Disposition: Attachment; filename=example.html
  

  文件名：

  example.html

•   Content-Disposition: INLINE; FILENAME= "an example.html"
  

  文件名：

  an example.html

•   Content-Disposition: attachment;
                         filename*= UTF-8''%e2%82%ac%20rates
  

  文件名：

  € rates

•   Content-Disposition: attachment;
                         filename="EURO rates";
                         filename*=utf-8''%e2%82%ac%20rates
  

  文件名：这里也是

  € rates

  （不是

  EURO rates

  ，因为

  filename*

  优先）

现在，我可以很容易地调整正则表达式来解释

=

周围的可变空白，但是让它处理所有其他变化，同样，会变得相当笨拙。 （通过引用和转义，我什至不确定 RegEx 是否可以涵盖所有情况。也许他们可以，因为不涉及大括号嵌套。）

所以 我是否必须实现一个成熟的解析器，或者我可以通过几次调用 HTTP 库（也许是

requests

本身）来根据 RFC 6266 确定文件名？由于 RFC 6266 是 HTTP 标准的一部分，我可以想象一些专门针对 HTTP 的库已经涵盖了这一点。 （所以我也询问了软件推荐SE。）

Answer 1

rfc6266

库似乎可以满足您的需求。它可以解析原始标头、

requests

响应和

urllib2

响应。它在PyPI.

一些例子：

>>> import rfc6266, requests
>>> rfc6266.parse_headers('''Attachment; filename=example.html''').filename_unsafe
'example.html'
>>> rfc6266.parse_headers('''INLINE; FILENAME= "an example.html"''').filename_unsafe
'an example.html'
>>> rfc6266.parse_headers(
    '''attachment; '''
    '''filename*= UTF-8''%e2%82%ac%20rates''').filename_unsafe
'€ rates'
>>> rfc6266.parse_headers(
    '''attachment; '''
    '''filename="EURO rates"; '''
    '''filename*=utf-8''%e2%82%ac%20rates''').filename_unsafe
'€ rates'
>>> r = requests.get('http://example.com/€ rates')
>>> rfc6266.parse_requests_response(r).filename_unsafe
'€ rates'

不过请注意：这个库确实 not 像标题中的非标准空格。

Answer 2

在 2022 年，原始答案 中推荐的 Python 模块rfc6266 似乎已被放弃，并且不能真正与较新版本的 Python 一起使用。

好消息是有一个名为pyrfc6266

的替换模块（几个之一，但这个确实有效！）

可以安装以下内容：

pip install pyrfc6266

和使用相同的方式：

import pyrfc6266
pyrfc6266.parse_filename('attachment; filename="foo.html"')

或

import requests
import pyrfc6266
response = requests.get('http://httpbin.org/response-headers?Content-Disposition=attachment;%20filename%3d%22foo.html%22')
pyrfc6266.requests_response_to_filename(response)

Answer 3

如果你真的不需要 utf-8 格式的结果

def getFilename(s):
  fname = re.findall("filename\*?=([^;]+)", s, flags=re.IGNORECASE)
  print fname[0].strip().strip('"')

但如果 utf-8 是必须的

def getFilename(s):
    fname = re.findall("filename\*=([^;]+)", s, flags=re.IGNORECASE)
    if not fname:
        fname = re.findall("filename=([^;]+)", s, flags=re.IGNORECASE)
    if "utf-8''" in fname[0].lower():
        fname = re.sub("utf-8''", '', fname[0], flags=re.IGNORECASE)
        fname = urllib.unquote(fname).decode('utf8')
    else:
        fname = fname[0]
    # clean space and double quotes
    print fname.strip().strip('"')

# example
getFilename('Attachment; filename=example.html')
getFilename('INLINE; FILENAME= "an example.html"')

getFilename("attachment;filename*= UTF-8''%e2%82%ac%20rates")
getFilename("attachment; filename=\"EURO rates\";filename*=utf-8''%e2%82%ac%20rates")

getFilename("attachment;filename=\"_____ _____ ___ __ ____ _____ Hekayt Bent.2017.mp3\";filename*=UTF-8''%D8%A7%D8%BA%D9%86%D9%8A%D9%87%20%D8%AD%D9%83%D8%A7%D9%8A%D8%A9%20%D8%A8%D9%86%D8%AA%20%D9%84%D9%80%20%D9%85%D8%AD%D9%85%D8%AF%20%D8%B4%D8%AD%D8%A7%D8%AA%D8%A9%20Hekayt%20Bent.2017.mp3")

结果

example.html
an example.html
€ rates
€ rates
اغنيه حكاية بنت لـ محمد شحاتة Hekayt Bent.2017.mp3