как определить имя файла контента, загруженного с помощью HTTP в Python?

я загружаю файл с помощью get функция Python requests библиотека. Для хранения файла я хотел бы определить имя файла, как веб-браузер для его "сохранить" или "сохранить как"...' диалог.

легко, верно? Я могу просто получить его от Content-Disposition заголовок HTTP, доступный на объекте ответа:

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

но, присмотревшись к этой теме более внимательно, это не это легко:

по данным RFC 6266 раздел 4.3, а грамматика в 4.1, значение может быть маркером без кавычек (например,the_report.pdf) или строка с кавычками, которая также может содержать пробелы (например,"the report.pdf") и escape-последовательности. Далее,

когда оба "filename" и "filename*" присутствуют в одном значении поля заголовка, [мы] должны выбрать "filename*"и игнорировать "filename".

значение filename*, хотя, это еще немного сложнее, чем filename.

кроме того, RFC, похоже, допускает дополнительные пробелы вокруг =.

таким образом, за примеры, перечисленные в RFC, я хотел бы получить следующие результаты:

  • Content-Disposition: Attachment; filename=example.html
    имя файла:example.html 
  • Content-Disposition: INLINE; FILENAME= "an example.html"
    имя файла:an example.html 
  • Content-Disposition: attachment;
                     filename*= UTF-8''%e2%82%ac%20rates
    имя файла:€ rates 
  • Content-Disposition: attachment;
                     filename="EURO rates";
                     filename*=utf-8''%e2%82%ac%20rates
    имя файла: € rates здесь тоже (не EURO rates, as filename* берет верх)

теперь я мог бы легко адаптировать регулярное выражение для учета переменных пробелов вокруг =, но имея его обрабатывать все другие варианты, тоже будет довольно громоздким. (С цитированием и побегом я даже не уверен, что RegEx может охватить все случаи. Может быть, они и смогут, так как в этом нет необходимости.)

так должен ли я реализовать полномасштабный парсер или могу Я определяю имя файла в соответствии с RFC 6266 несколькими вызовами библиотеки HTTP (может быть )? Поскольку RFC 6266 является частью стандарта HTTP, я мог бы представить, что некоторые библиотеки, специализирующиеся на HTTP, уже охватывают это. (Я также спросил О рекомендациях программного обеспечения SE.)

11
content-disposition http-headers python python-requests

2 ответов

на rfc6266 библиотека, похоже, делает именно то, что вам нужно. Он может анализировать необработанные заголовки,requests ответы, а urllib2 ответы. Это PyPI.

примеры:

>>> 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'

как Примечание, хотя: это библиотека не как нестандартные пробелы в заголовке.

8

Если вам действительно не нужен результат в utf-8

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

но если UTF-8 является обязательным

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")

результат

example.html
an example.html
€ rates
€ rates
اغنيه حكاية بنت لـ محمد شحاتة Hekayt Bent.2017.mp3
0