如何判断字符串是否为Base64编码

Question

我收到了很多来自不同来源的邮件。这些邮件都有附件，其中很多附件的名字是中文，所以这些名字在邮件客户端中被转换成了base64格式。

当我收到这些邮件时，我想解码这些名字。但是还有一些名字并不是base64格式的。我该如何判断一个字符串是否是base64格式，使用jython编程语言呢？

也就是说：

第一个附件：

------=_NextPart_000_0091_01C940CC.EF5AC860
Content-Type: application/vnd.ms-excel;
 name="Copy of Book1.xls"
Content-Transfer-Encoding: base64
Content-Disposition: attachment;
 filename="Copy of Book1.xls"

第二个附件：

------=_NextPart_000_0091_01C940CC.EF5AC860
Content-Type: application/vnd.ms-excel;
 name="=?gb2312?B?uLGxvmhlbrixsb5nLnhscw==?="
Content-Transfer-Encoding: base64
Content-Disposition: attachment;
 filename="=?gb2312?B?uLGxvmhlbrixsb5nLnhscw==?="  

请注意，两个“Content-Transfer-Encoding”都是base64格式。

Answer 1

@gnud, @edg - 除非我理解错了，他在问的是文件名，而不是文件内容。

@setori - Content-Transfer-Encoding 是在告诉你文件内容是怎么编码的，而不是“文件名”。

我不是专家，但文件名中的这一部分是在告诉他后面的字符是什么：

=?gb2312?B?

我在找相关的文档，RFC里有... 啊！找到了： https://www.rfc-editor.org/rfc/rfc2047

RFC里说：

一般来说，“编码词”是一个可打印的ASCII字符序列，它以“=?”开头，以“?=”结尾，中间有两个“?”。

另外可以看看SharpMimeTools里的代码，这是一个我在我的缺陷跟踪应用中使用的MIME解析器（用C#写的），BugTracker.NET

Answer 2

这个头部的值告诉你这些信息：

=?gb2312?B?uLGxvmhlbrixsb5nLnhscw==?=

"=?"     introduces an encoded value
"gb2312" denotes the character encoding of the original value
"B"      denotes that B-encoding (equal to Base64) was used (the alternative 
         is "Q", which refers to something close to quoted-printable)
"?"      functions as a separator
"uLG..." is the actual value, encoded using the encoding specified before
"?="     ends the encoded value

所以在"?"上进行分割实际上会得到这个（JSON格式）

["=", "gb2312", "B", "uLGxvmhlbrixsb5nLnhscw==", "="]

在得到的数组中，如果"B"在第2个位置，那么第3个位置上会有一个经过Base64编码的字符串。解码后，记得关注第1个位置的编码信息，最好是根据这些信息把整个内容转换成UTF-8格式。

Answer 3

请注意，两个 Content-Transfer-Encoding 都是使用 base64 编码的。

在这种情况下，这个 Content-Transfer-Encoding 不太相关，它只适用于邮件的主体内容，而不是邮件的头部信息。

=?gb2312?B?uLGxvmhlbrixsb5nLnhscw==?=

这是一个经过 RFC2047 编码的头部信息。用来解码它的标准库函数是 email.header.decode_header。不过，解码后的结果还需要稍微处理一下才能理解：

import email.header
x= '=?gb2312?B?uLGxvmhlbrixsb5nLnhscw==?='
try:
    name= u''.join([
        unicode(b, e or 'ascii') for b, e in email.header.decode_header(x)
    ])
except email.Errors.HeaderParseError:
    pass # leave name as it was

但是……

Content-Type: application/vnd.ms-excel;
 name="=?gb2312?B?uLGxvmhlbrixsb5nLnhscw==?="

这完全是错误的。是什么邮件程序生成的这个？RFC2047 编码只能出现在原子（atom）中，而引用字符串（quoted-string）并不是原子。RFC2047 第5条明确禁止这样做：

• 一个“编码词”不能出现在“引用字符串”中。

当参数头部包含长字符串或 Unicode 字符时，正确的编码方式是 RFC2231，这又是一个复杂的问题。不过，你应该使用一个标准的邮件解析库，它会为你处理这些事情。

所以，如果你想的话，可以检测文件名参数中的 '=?'，并尝试通过 RFC2047 解码它。然而，严格来说，正确的做法是相信邮件程序的说法，真的把文件称为 =?gb2312?B?uLGxvmhlbrixsb5nLnhscw==?=！