用Python提取带有无效字符的文件名的文件

Question

我使用Python的zipfile模块来解压一个.zip文件（我们可以用这个文件作为例子：http://img.dafont.com/dl/?f=akvaleir）。

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

解压后的结果是：

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

解压后这两个文件都无法访问，因为它们的文件名中有无效的编码字符。问题在于zipfile模块没有选项可以指定输出的文件名。

不过，使用“unzip akvaleir.zip”命令可以很好地处理文件名：

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

我尝试在我的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

我该如何在不捕获“unzip -l akvaleir.zip”输出的情况下，获取像unzip命令那样正确的文件名呢？

Answer 1

我在用Docker运行我的应用时遇到了类似的问题。把这些代码加到Dockerfile里，问题就解决了：

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，我想如果你不使用Docker，可以试试这个方法，确保地区设置正确生成并设置好。

Answer 2

花了一些时间，但我想我找到了答案。

我猜这个词应该是“Akvaléir”。我找到了一些关于它的描述，还是法语的。当我用你的代码片段时，我得到了一个字符串，像这样：

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

但是在UTF8、Latin-1、CP-1251或CP-1252编码下都不行。然后我发现CP863可能是一个加拿大的编码，所以也许这个是来自法语加拿大的。

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

不过，我接着阅读了ZIP文件格式规范，里面说：

ZIP格式历史上只支持原始的IBM PC字符编码集，通常称为IBM代码页437。

...

如果通用位11被设置，文件名和注释必须支持Unicode标准，版本4.1.0或更高版本，使用UTF-8存储规范定义的字符编码形式。

测试这个结果给了我和加拿大代码页一样的答案。

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

我没有一个Unicode编码的zip文件，也不打算去创建一个来验证，所以我就假设所有的zip文件都是cp437编码的。

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，这样做得到：

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

这可以通过自动补全得到：

ls Akvale\314\201ir

在我的文件浏览器中显示出一个漂亮的'é'。

Answer 3

与其使用 extract 方法，不如用 open 方法，然后把得到的伪文件保存到磁盘上，命名可以随你喜欢，比如可以用 shutil.copyfileobj 来实现。