如何安全可靠地下载含中文或特殊字符的远程文件（替代已弃用的 wget.py）-Python教程-PHP中文网

如何安全可靠地下载含中文或特殊字符的远程文件（替代已弃用的 wget.py）

本文介绍为何使用旧版 wget 库下载含 Unicode 路径（如中文、全角标点）的文件会因临时文件创建失败而报错，并推荐使用 requests 实现稳定、可控、兼容性更强的下载方案。

本文介绍为何使用旧版 `wget` 库下载含 unicode 路径（如中文、全角标点）的文件会因临时文件创建失败而报错，并推荐使用 `requests` 实现稳定、可控、兼容性更强的下载方案。

在 Python 网络爬虫开发中，直接调用 wget.download(url) 看似便捷，但实际存在严重兼容性隐患——尤其当目标 URL 包含 UTF-8 编码的中文、日文或全角符号（如％EF%BC%9A 对应中文冒号：）时，wget 库（非 GNU wget，而是第三方 wget PyPI 包）会在本地生成临时文件（.tmp），其文件名由 URL 解码后直接拼接而来。Windows 系统对长路径、非法字符（如 :、*、?、" 等）及过长文件名有严格限制，而 tempfile.mkstemp() 在构造临时路径时未做规范化处理，导致 FileNotFoundError 报错，如：

No such file or directory: 'C:\...\CADAL06210101_皇清經解續編：易圖條辨皇清經解續編：虞氏易事.djvu.3kii8ipd.tmp'

根本原因在于：该 wget 库自 2015 年起停止维护，缺乏对现代 Web 字符编码、操作系统路径安全及流式下载的支持。

✅ 推荐替代方案：使用 requests + 手动流式写入
requests 是当前事实标准的 HTTP 客户端库，支持自动解码、用户代理伪装、分块流式下载与异常精细控制，完全规避临时文件路径问题。

以下为生产级下载示例（支持 .pdf、.djvu 等任意二进制文件）：

import requests
import os

def download_file(url, output_path, chunk_size=8192, timeout=30):
    """
    安全下载远程二进制文件，自动处理中文/特殊字符 URL

    :param url: 目标文件 URL（已 URL 编码，无需额外 decode）
    :param output_path: 本地保存路径（建议使用英文或短名称，避免路径问题）
    :param chunk_size: 每次读取字节数，默认 8KB，平衡内存与速度
    :param timeout: 请求超时秒数
    """
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36"
    }

    try:
        with requests.get(url, headers=headers, stream=True, timeout=timeout) as resp:
            resp.raise_for_status()  # 抛出 4xx/5xx 错误

            # 确保输出目录存在
            os.makedirs(os.path.dirname(output_path) if os.path.dirname(output_path) else ".", exist_ok=True)

            with open(output_path, "wb") as f:
                for chunk in resp.iter_content(chunk_size=chunk_size):
                    if chunk:  # 过滤空 chunk
                        f.write(chunk)
        print(f"✅ 下载成功：{output_path}")

    except requests.exceptions.RequestException as e:
        print(f"❌ 请求失败：{e}")
    except OSError as e:
        print(f"❌ 文件写入失败（检查路径权限/磁盘空间）：{e}")

# 使用示例
url = "https://upload.wikimedia.org/wikipedia/commons/a/a7/CADAL06210101_%E7%9A%87%E6%B8%85%E7%B6%93%E8%A7%A3%E7%BA%8C%E7%B7%A8%EF%BC%9A%E6%98%93%E5%9C%96%E6%A2%9D%E8%BE%AE%E7%9A%87%E6%B8%85%E7%B6%93%E8%A7%A3%E7%BA%8C%E7%B7%A8%EF%BC%9A%E8%99%9E%E6%B0%8F%E6%98%93%E4%BA%8B.djvu"
download_file(url, "downloads/scan_document.djvu")  # 输出路径建议用简洁英文名

? 关键注意事项：

避免直接使用 URL 中的原始文件名：urllib.parse.unquote(url).split('/')[-1] 可能生成非法路径，应手动指定安全文件名（如哈希值或编号）；
务必设置 stream=True：防止大文件一次性加载至内存；
添加 User-Agent：多数媒体站点（如 Wikimedia Commons）拒绝无头请求；
启用 raise_for_status()：及时捕获 HTTP 错误（如 403、404）；
处理目录创建：os.makedirs(..., exist_ok=True) 避免因父目录不存在而失败。

? 进阶建议：若需批量下载并保留原始语义名称，可结合 urllib.parse.urlparse 提取路径片段 + unicodedata.normalize('NFKD', ...) 去除变音符号，再正则清洗非法字符（如 [:"/\|?*] 替换为 _）。

总之，放弃陈旧的 wget PyPI 包，拥抱 requests —— 它更健壮、更可控、更符合现代 Python 工程实践。