使用Python提取文件名中含有无效字符的文件

Question

我使用 python 的 zipfile 模块提取 .zip 存档（让我们以 http://img.dafont.com/dl/?f=akvaleir 处的此文件为例。）

f = zipfile.ZipFile('akvaleir.zip', 'r')
for fileinfo in f.infolist():
    print fileinfo.filename
    f.extract(fileinfo, '.')

其输出：

Akval�ir_Normal_v2007.ttf
Akval�ir, La police - The Font - Fr - En.pdf

这两个文件在提取后都无法访问，因为它们的文件名中存在无效的编码字符。问题是 zipfile 模块没有指定输出文件名的选项。

但是，“unzip akvaleir.zip”很好地转义了文件名：

root@host:~# unzip akvaleir.zip 
Archive:  akvaleir.zip
  inflating: AkvalВir_Normal_v2007.ttf  
  inflating: AkvalВir, La police - The Font - Fr - En.pdf  

我尝试在 python 程序中捕获“unzip -l akvaleir.zip”的输出，这两个文件名是：

Akval\xd0\x92ir_Normal_v2007.ttf
Akval\xd0\x92ir, La police - The Font - Fr - En.pdf

如何在不捕获“unzip -l akvaleir.zip”输出的情况下获得正确的文件名，就像 unzip 命令所做的那样？

Answer 1

花了一些时间，但我想我找到了答案。

我认为这个词应该是 Akvaléir。我找到了有关此内容的法语页面描述。当我使用你的代码片段时，我有一个像

这样的字符串

>>> fileinfo.filename
'Akval\x82ir, La police - The Font - Fr - En.pdf'
>>> 

这不适用于 UTF8、Latin-1、CP-1251 或 CP-1252 编码。然后我发现 CP863 可能是加拿大编码，所以这可能来自法语加拿大。

>>> print unicode(fileinfo.filename, "cp863").encode("utf8")
Akvaléir, La police - The Font - Fr - En.pdf
>>> 

但是，我随后阅读了 Zip 文件格式规范，上面写着

ZIP 格式历史上 仅支持原装 IBM PC 字符编码集，常见 称为 IBM 代码页 437。

...

如果设置了通用位 11，则 文件名和注释必须支持 Unicode 标准，版本 4.1.0 或 更大程度地使用字符编码 由UTF-8存储定义的形式 规格。

测试给出的答案与加拿大代码页相同

>>> print unicode(fileinfo.filename, "cp437").encode("utf8")
Akvaléir, La police - The Font - Fr - En.pdf
>>>

我没有 Unicode 编码的 zip 文件，并且我不会创建一个来查找，所以我假设所有 zip 文件都具有 cp437 编码。

import shutil
import zipfile

f = zipfile.ZipFile('akvaleir.zip', 'r')
for fileinfo in f.infolist():
    filename = unicode(fileinfo.filename, "cp437")
    outputfile = open(filename, "wb")
    shutil.copyfileobj(f.open(fileinfo.filename), outputfile)

在我的 Mac 上

 109936 Nov 27 01:46 Akvale??ir_Normal_v2007.ttf
  25244 Nov 27 01:46 Akvale??ir, La police - The Font - Fr - En.pdf

哪个选项卡完成

ls Akvale\314\201ir

并在我的文件浏览器中显示一个漂亮的“é”。

Answer 2

不要使用

extract

方法，而是使用

open

方法并将生成的伪文件以您希望的任何名称保存到磁盘，例如使用

shutil.copyfileobj

。

Answer 3

我在使用 Docker 运行应用程序时遇到了类似的问题。将这一行添加到 Dockerfile 中，为我解决了所有问题：

RUN locale-gen en_US.UTF-8
ENV LANG en_US.UTF-8
ENV LANGUAGE en_US:en
ENV LC_ALL en_US.UTF-8

所以，我想如果您不使用 Docker，请尝试一下并确保正确生成和设置语言环境。

Answer 4

我改编了上面的代码，并添加了一些来自 ftfy 的 unicode 清理（强烈推荐）。 也许这个版本有帮助。

import shutil
import zipfile
import ftfy
import os


f = zipfile.ZipFile('./Portugal-20241125T151942Z-001.zip', 'r')
for fileinfo in f.infolist():
    filename = ftfy.fix_text(fileinfo.filename)
    directory = os.path.dirname(filename)
    if directory and not os.path.exists(directory):
        os.mkdir(directory)
    with open(filename,"wb") as fout:
        shutil.copyfileobj(f.open(fileinfo.filename), fout)