如何通过 Python 请求获取 pdf 文件名？

Question

我正在使用 Python requests lib 从网上获取 PDF 文件。这工作正常，但我现在还想要原始文件名。如果我在 Firefox 中转到 PDF 文件并单击 download，它已经定义了用于保存 pdf 的文件名。我如何获得这个文件名？

例如：

import requests
r = requests.get('http://www.researchgate.net/profile/M_Gotic/publication/260197848_Mater_Sci_Eng_B47_%281997%29_33/links/0c9605301e48beda0f000000.pdf')
print r.headers['content-type']  # prints 'application/pdf'

我检查了 r.headers 是否有任何有趣的内容，但其中没有文件名。我实际上希望 r.filename..

有人知道如何使用请求库获取下载的 PDF 文件的文件名吗？

Answer 1

显然，对于此特定资源，它位于：

r.headers['content-disposition']

虽然不知道是否总是这样。

Answer 2

它在 http header content-disposition 中指定。因此，要提取名称，您需要执行以下操作：

import re
d = r.headers['content-disposition']
fname = re.findall("filename=(.+)", d)[0]

通过正则表达式（re 模块）从字符串中提取的名称。

Answer 3

基于其他一些答案，以下是我的做法。如果没有 Content-Disposition header，我从下载 URL:

解析它

import re
import requests
from requests.exceptions import RequestException


url = 'http://www.example.com/downloads/sample.pdf'

try:
    with requests.get(url) as r:

        fname = ''
        if "Content-Disposition" in r.headers.keys():
            fname = re.findall("filename=(.+)", r.headers["Content-Disposition"])[0]
        else:
            fname = url.split("/")[-1]

        print(fname)
except RequestException as e:
    print(e)

可以说有更好的方法来解析 URL 字符串，但为了简单起见，我不想涉及更多的库。

Answer 4

您可以使用 werkzeug 作为选项 headers https://werkzeug.palletsprojects.com/en/0.15.x/http/#werkzeug.http.parse_options_header

>>> import werkzeug


>>> werkzeug.parse_options_header('text/html; charset=utf8')
('text/html', {'charset': 'utf8'})

Answer 5

从Content-Disposition获取文件名的简单python3实现：

import requests
response = requests.get(<your-url>)
print(response.headers.get("Content-Disposition").split("filename=")[1])

如何通过 Python 请求获取 pdf 文件名？

How to get pdf filename with Python requests?

python

pdf

filenames

python-requests