python - requests headers 解码

Question

我需要使用python的requests 下载一些文件，但是文件是中文名的

chrome调试看出来的文件名是

Content-Disposition:attachment; filename=%C9%F1%BC%B6%BB%F5%C0%C9.txt

requests 下载显示的却是乱码

import requests
url = 'http://www.23us.so/modules/article/txtarticle.php?id=156'
req = requests.head(url)
headers = req.headers
print( headers.get('Content-Disposition'))

>> attachment; filename=ÇàÔÆÏÉ·.txt

我试过设置req.encoding 没有效果

怎么把header中的文字恢复出来，requests中似乎没有相关方法
各位可以调试一下

Answer 1

咳咳, 你应该早点放出具体链接地址的, 我跟进下方法, 放码:

url = 'http://www.23us.so/modules/article/txtarticle.php?id=156'
req = requests.head(url)
headers = req.headers
print(headers.get('Content-Disposition').encode(req.encoding).decode('gbk'))  # gb2312也可以正确解码

结果:

attachment; filename=青云仙路.txt

---

你让req.encoding自己猜目标的编码方式即可.
requests模块的models.py第 769 行注释说的很清楚, 人家可以自动检测目标网页内容的编码类型, 而具体负责检测编码的代码在这里universaldetector.py
所以我们只需要利用下这个特性编码然后再按utf-8解码即可, 看代码:

import requests


url = "http://www.weather.com.cn/data/cityinfo/101010100.html"
req = requests.get(url)
print(req.text)
print(req.encoding)
print(req.text.encode(req.encoding))
print(req.text.encode(req.encoding).decode('utf-8'))

结果:

{"weatherinfo":{"city":"北京","cityid":"101010100","temp1":"-2℃","temp2":"16℃","weather":"晴","img1":"n0.gif","img2":"d0.gif","ptime":"18:00"}}
ISO-8859-1
b'{"weatherinfo":{"city":"\xe5\x8c\x97\xe4\xba\xac","cityid":"101010100","temp1":"-2\xe2\x84\x83","temp2":"16\xe2\x84\x83","weather":"\xe6\x99\xb4","img1":"n0.gif","img2":"d0.gif","ptime":"18:00"}}'
{"weatherinfo":{"city":"北京","cityid":"101010100","temp1":"-2℃","temp2":"16℃","weather":"晴","img1":"n0.gif","img2":"d0.gif","ptime":"18:00"}}

Answer 2

你把 headers 全部显示出来看看，应该有个 charset 属性。

---

更新

这个其实是 URI encode，是从 unicode转义得来的。
解码例子如下：

def decodeURI(strURI):
    strURI = strURI.replace('%','')
    URI = ''.join((chr(int(strURI[i:i+4],16)) for i in range(0,len(strURI),4)))
    return URI

n = '%C9%F1%BC%B6%BB%F5%C0%C9'
print(decodeURI(n))

结果：

짱벶믵색
是韩文~~

---

再更

后来仔细想了想，也可能是别的编码格式，就拿gb2312试一下。

n = '%C9%F1%BC%B6%BB%F5%C0%C9'
print(bytes.fromhex(n.replace('%','')).decode('gb2312'))

结果是：

神级货郎

觉得这个更靠谱些~
这些方法，在urllib都有，分别是：quote，unquote
例子：

import urllib

n = 'filename=%C9%F1%BC%B6%BB%F5%C0%C9.txt'
filename = urllib.parse.unquote(n,encoding='gb2312')
print(filename)

结果是：

filename=神级货郎.txt

---

三更

我在讲解原理~
在不知道charset的情况下，只能猜；requests也是用 chardet 进行猜测。
而且，@ferstar 所说的 req.encoding 是用于 响应体(Response.content) 的，并不能用于 headers。
在提问者没提供代码和网页链接之前，我只能用提问者给的数据：

filename=%C9%F1%BC%B6%BB%F5%C0%C9.txt

仔细看，这是个字符串，不是bytes！所以req.encoding是无效的。
前面我也提到过，这其实是个 URI，从原字符的某个编码转义而来。%是URI的转义符。
还原的方法在上面我已经写了，结果也是正确的。

为什么不采纳正确的答案呢？

为什么不采纳正确的答案呢？

为什么不采纳正确的答案呢？

---

四

本来不想更此帖了，但@ferstar 评论了一大段，不回就有点不合适了~

在题主更新完善问题后我正好在所以及时跟进了答案，可以得到正确结果解决了题主的问题，这是事实；题主采纳我的答案之前你这个答案好像并没有更新，这也是事实；我之前贴出了相应源码的具体实现，也是在讲道理，这更是事实；我说的req.encoding方法确实起到了作用，而不是像你说的对headers无用，貌似也是事实

引用@ferstar 的评论，完毕

SF的内容更新是有历史版本记录的，翻出来对比一下。
提问者：ider
回答：同意并接受
回答：ferstar

在我更新了正确答案#r3之后3小时，@ider 更新了问题#r4，并采纳了@ferstar 的第一版错误答案#r1。
采纳之后,我在评论中提出异议，@ferstar 更新了第二版答案#r2。
而且，@ferstar 的第二版答案依然是错误的

但是，为什么@ferstar 的第二版答案会得出正确的结果呢？
因为之前我找到了正确编码gb2312，他不过是替换成兼容编码gbk而已。

再说说req.encoding 不能作用于 headers。
这个结论依然没变。这是由http原理决定的，headers先于body。

至于这个程序正确的写法，我也懒得解释和更新了，累！
除非，@ider 重新采纳我的答案，还有可能考虑一下~~

Answer 3

你的文件名是使用 gb2312编码的，你解码也需要设置 按照gb2312 解码，如果按照utf-8解码，就会出现乱码。可能你设置过的解码，默认按照utf-8解码的