如何从响应头的Content-Disposition中获取文件名

Question

我正在用Mechanize下载一个文件，响应头里面有一串字符：

Content-Disposition: attachment; filename=myfilename.txt

有没有什么简单的标准方法可以获取那个文件名的值？我现在想到的是这个：

filename = f[1]['Content-Disposition'].split('; ')[1].replace('filename=', '')

不过这看起来像是个快速而不太干净的解决方案。

Answer 1

在顶层回答中提到的 cgi 模块将在 Python 3.13 中被弃用。可以查看 PEP594 了解更多信息。

官方推荐的替代方案（详见引用的 PEP）是使用 email.message.Message，这是一个标准库。

下面是一个示例，展示如何从 content-disposition 头中获取 filename 的值：

>>> from email.message import Message
>>> content_disposition_header = 'attachment; filename=myfilename.txt'
>>> msg = Message()
>>> msg['content-disposition'] = content_disposition_header
>>> msg.get_filename()
'myfilename.txt'

注意：上面的代码在所有版本的 Python >= 2.2 中应该都能正常工作。email 包是在 Python 2.2 中引入的，那时 Message 类的 API 与现在的形式是一样的，特别是在 __setitem__ 和 get_filename 方法方面。

Answer 2

这些正则表达式是根据RFC 6266的语法制定的，不过做了一些修改，以便可以处理没有“处置类型”的头信息，比如说“Content-Disposition: filename=example.html”。

简单来说，就是可以有一个可选的“处置类型”，后面跟着一个或多个“处置参数”。

它可以处理带引号和不带引号的文件名参数，还能把引号里的内容去掉，比如说“filename=\"foo\\\"bar\"”会变成“foo"bar”。

它还可以处理“filename*”这种扩展参数，并且如果同时有“filename*”和“filename”这两个参数，它会优先使用“filename*”，不管它们在头信息中出现的顺序如何。

它会去掉文件夹名称的信息，比如说“/etc/passwd”会变成“passwd”。如果没有提供文件名参数（或者头信息，或者参数值是空字符串），它会默认使用URL路径中的基本名称。

这里面的“token”和“qdtext”正则表达式是根据RFC 2616的语法来的，而“mimeCharset”和“valueChars”正则表达式是根据RFC 5987的语法来的，还有“language”正则表达式是根据RFC 5646的语法来的。

import re, urllib
from os import path
from urlparse import urlparse

# content-disposition = "Content-Disposition" ":"
#                        disposition-type *( ";" disposition-parm )
# disposition-type    = "inline" | "attachment" | disp-ext-type
#                     ; case-insensitive
# disp-ext-type       = token
# disposition-parm    = filename-parm | disp-ext-parm
# filename-parm       = "filename" "=" value
#                     | "filename*" "=" ext-value
# disp-ext-parm       = token "=" value
#                     | ext-token "=" ext-value
# ext-token           = <the characters in token, followed by "*">

token = '[-!#-\'*+.\dA-Z^-z|~]+'
qdtext='[]-~\t !#-[]'
mimeCharset='[-!#-&+\dA-Z^-z]+'
language='(?:[A-Za-z]{2,3}(?:-[A-Za-z]{3}(?:-[A-Za-z]{3}){,2})?|[A-Za-z]{4,8})(?:-[A-Za-z]{4})?(?:-(?:[A-Za-z]{2}|\d{3}))(?:-(?:[\dA-Za-z]{5,8}|\d[\dA-Za-z]{3}))*(?:-[\dA-WY-Za-wy-z](?:-[\dA-Za-z]{2,8})+)*(?:-[Xx](?:-[\dA-Za-z]{1,8})+)?|[Xx](?:-[\dA-Za-z]{1,8})+|[Ee][Nn]-[Gg][Bb]-[Oo][Ee][Dd]|[Ii]-[Aa][Mm][Ii]|[Ii]-[Bb][Nn][Nn]|[Ii]-[Dd][Ee][Ff][Aa][Uu][Ll][Tt]|[Ii]-[Ee][Nn][Oo][Cc][Hh][Ii][Aa][Nn]|[Ii]-[Hh][Aa][Kk]|[Ii]-[Kk][Ll][Ii][Nn][Gg][Oo][Nn]|[Ii]-[Ll][Uu][Xx]|[Ii]-[Mm][Ii][Nn][Gg][Oo]|[Ii]-[Nn][Aa][Vv][Aa][Jj][Oo]|[Ii]-[Pp][Ww][Nn]|[Ii]-[Tt][Aa][Oo]|[Ii]-[Tt][Aa][Yy]|[Ii]-[Tt][Ss][Uu]|[Ss][Gg][Nn]-[Bb][Ee]-[Ff][Rr]|[Ss][Gg][Nn]-[Bb][Ee]-[Nn][Ll]|[Ss][Gg][Nn]-[Cc][Hh]-[Dd][Ee]'
valueChars = '(?:%[\dA-F][\dA-F]|[-!#$&+.\dA-Z^-z|~])*'
dispositionParm = '[Ff][Ii][Ll][Ee][Nn][Aa][Mm][Ee]\s*=\s*(?:({token})|"((?:{qdtext}|\\\\[\t !-~])*)")|[Ff][Ii][Ll][Ee][Nn][Aa][Mm][Ee]\*\s*=\s*({mimeCharset})\'(?:{language})?\'({valueChars})|{token}\s*=\s*(?:{token}|"(?:{qdtext}|\\\\[\t !-~])*")|{token}\*\s*=\s*{mimeCharset}\'(?:{language})?\'{valueChars}'.format(**locals())

try:
  m = re.match('(?:{token}\s*;\s*)?(?:{dispositionParm})(?:\s*;\s*(?:{dispositionParm}))*|{token}'.format(**locals()), result.headers['Content-Disposition'])

except KeyError:
  name = path.basename(urllib.unquote(urlparse(url).path))

else:
  if not m:
    name = path.basename(urllib.unquote(urlparse(url).path))

  # Many user agent implementations predating this specification do not
  # understand the "filename*" parameter.  Therefore, when both "filename"
  # and "filename*" are present in a single header field value, recipients
  # SHOULD pick "filename*" and ignore "filename"

  elif m.group(8) is not None:
    name = urllib.unquote(m.group(8)).decode(m.group(7))

  elif m.group(4) is not None:
    name = urllib.unquote(m.group(4)).decode(m.group(3))

  elif m.group(6) is not None:
    name = re.sub('\\\\(.)', '\1', m.group(6))

  elif m.group(5) is not None:
    name = m.group(5)

  elif m.group(2) is not None:
    name = re.sub('\\\\(.)', '\1', m.group(2))

  else:
    name = m.group(1)

  # Recipients MUST NOT be able to write into any location other than one to
  # which they are specifically entitled

  if name:
    name = path.basename(name)

  else:
    name = path.basename(urllib.unquote(urlparse(url).path))

Answer 3

首先，使用 mechanize 来获取头部的值，然后用 Python 自带的 cgi 模块来解析这个头部。

为了演示：

>>> import mechanize
>>> browser = mechanize.Browser()
>>> response = browser.open('http://example.com/your/url')
>>> info = response.info()
>>> header = info.getheader('Content-Disposition')
>>> header
'attachment; filename=myfilename.txt'

然后可以解析头部的值：

>>> import cgi               
>>> value, params = cgi.parse_header(header)
>>> value
'attachment'
>>> params
{'filename': 'myfilename.txt'}

params 是一个简单的字典，所以你只需要用 params['filename'] 来获取你需要的内容。无论文件名是否用引号包裹，都没关系。