Extrahieren von Dateien mit ungültigen Zeichen in Dateinamen mit Python

Question

Ich benutze python zipfile-Modul zu extrahieren .zip-Archiv (nehmen wir mal diese Datei bei http://img.dafont.com/dl/?f=akvaleir zum Beispiel.)

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

Seine Ausgabe:

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

Beide Dateien sind unaccessable nach der Extraktion, weil es ungültige codierte Zeichen in Ihren Dateinamen.Das problem ist zipfile-Modul verfügt nicht über eine option aus, um anzugeben Ausgabe-Dateinamen.

Allerdings "entpacken akvaleir.zip" entgeht dem Dateinamen auch:

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

Ich habe versucht, die Erfassung Ausgabe von "unzip-l akvaleir.zip" in meinem python-Programm, und diese beiden Dateinamen sind:

Akval\xd0\x92ir_Normal_v2007.ttf
Akval\xd0\x92ir, La police - The Font - Fr - En.pdf

Wie bekomme ich den korrekten Dateinamen wie das, was unzip-Befehl wird ohne die Erfassung Ausgabe von "unzip-l akvaleir.zip"?

Answer 1

Anstelle der extract Methode, verwenden Sie die open Methode und speichern Sie die resultierende pseudofile auf der Festplatte, unter welchem Namen auch immer Sie wünschen, zum Beispiel mit shutil.copyfileobj.

Answer 2

Es dauerte einige Zeit, aber ich denke, dass ich die Antwort gefunden.

nahm ich das Wort sollte Akvaléir sein. Ich fand eine Seite Beschreibung darüber, auf Französisch. Wenn ich Ihr Code-Snippet verwendet wurde, hatte ich eine Zeichenfolge wie

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

Das ist nicht in UTF8 funktionierte, Latin-1, CP-1251 oder CP-1252-Codierungen. Ich fand dann, dass CP863 war eine mögliche kanadische Codierung, so vielleicht ist dies von Französisch-Kanada war.

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

Allerdings habe ich dann lesen Sie die Zip-Spezifikation Dateiformat, das sagt

  

Das ZIP-Format hat historisch   unterstützt nur die ursprüngliche IBM PC   Zeichencodierungssatz, häufig   bezeichnet als IBM-Codepage 437.

     

...

     

Wenn Allzweck Bit 11 gesetzt ist, die   Dateiname und Kommentar muss unterstützt die   Unicode Standard, Version 4.1.0 oder   größer unter Verwendung der Zeichencodierung   von dem UTF-8-Speicher definierten Form   Spezifikation.

des Testen heraus gibt mir die gleiche Antwort wie die kanadische Codepage

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

Ich habe eine Unicode nicht Zip-Datei verschlüsselt und ich werde nicht erstellen, um herauszufinden, also werde ich einfach davon ausgehen, dass alle Zip-Dateien, die CP437-Codierung haben.

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)

Auf meinem Mac, das gibt

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

, welches Register vervollständigt zu

ls Akvale\314\201ir

und zeigt mit einem schön 'é' in meinem Datei-Browser.

Answer 3

Ich lief in ein ähnliches Problem, während meine Anwendung ausgeführt Docker verwenden. Addiert man diese Zeilen in die Dockerfile, fest alles für mich:

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

Also, ich denke, wenn Sie nicht Docker verwenden, probieren Sie es aus und stellen Sie sicher, locales richtig erzeugt werden und eingestellt werden.