如何在Python中确定通过HTTP下载的内容的文件名？

Question

我使用Python requests 库的get函数下载文件。为了存储文件，我想确定与Web浏览器“保存”或“另存为...”对话框相同的文件名。

很简单，我只需从响应对象上访问HTTP头中的Content-Disposition字段即可获取它。

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

但是更仔细地看这个主题，它并不那么容易：

根据 RFC 6266第4.3节 中的语法以及 第4.1节，该值可以是未引用的标记（例如 the_report.pdf）或带有空格（例如 "the report.pdf"）和转义序列的带引号字符串。此外，

当单个头字段值中同时存在“filename”和“filename*”时，[我们]应选择“filename*”，并忽略“filename”。

filename* 的值比 filename 的值要复杂得多。

此外，RFC 似乎允许在 = 周围添加额外的空格。

因此，对于RFC中列出的示例，我希望得到以下结果：

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

  filename: example.html

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

  filename: an example.html

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

  filename: € rates

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

  filename: € rates here, too (not EURO rates, as filename* takes precedence)

现在，我可以轻松地调整正则表达式以考虑=周围的可变空格，但是让它处理所有其他变化也会变得相当笨拙。 （由于引用和转义，我甚至不确定RegEx是否可以涵盖所有情况。也许可以，因为没有大括号嵌套。）

那么，我是否必须实现一个全面的解析器，还是可以通过对HTTP库进行一些调用来根据RFC 6266确定文件名（可能是requests本身）？由于RFC 6266是HTTP标准的一部分，我可以想象一些专门处理HTTP的库已经涵盖了这一点。（所以我也在软件推荐SE上提出了问题。）

- das-g

Answer 1

rfc6266库似乎恰好符合您的需求，它可以解析原始标头、requests响应和urllib2响应。 它在PyPI上可用。

以下是一些示例：

>>> 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'

需要注意的是：这个库不喜欢标题中出现非标准的空格。

- Alyssa Haroldsen

---

“非标准空格”是什么意思？指标准不允许的空格位置吗？还是指不属于7位ASCII码的UNICODE空格？ - das-g

@das-g 没有调查足够的信息，无法确定。看起来 parse_headers 有一个 relaxed 选项可以帮助解决这个问题。在 这里 查看代码。 - Alyssa Haroldsen

Answer 2

在2022年，似乎Python模块rfc6266建议在原始答案中已被停用，并且无法与新版本的Python兼容。

好消息是，有一个替代模块（其中之一，但这个实际上可以使用！）叫做pyrfc6266。

它可以通过以下方式安装：

pip install pyrfc6266

并且以相同的方式使用：

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

或者

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)

- Timur Bakeyev

---

值得注意的是，这个项目采用了MIT许可证，而上面我提供的那个废弃的库则采用了LGPL许可证。 - Alyssa Haroldsen

Answer 3

如果您不需要UTF-8格式的结果。

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

但��果必须使用UTF-8

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

- ewwink

---

如果字符串utf-8不在开头，它应该被特殊处理吗？如果标题是"attachment;filename*= UTF-8''%e2%82%ac%20rates UTF-8'' here"或者"attachment;filename*= @UTF-8''%e2%82%ac%20rates @UTF-8'' here"，又该怎么处理呢？ - Doncho Gunchev