Python zipfile 模块无法提取带有中文字符的文件名

Question

我正在尝试使用 python 脚本从中国服务提供商处下载文件（我自己不是来自中国）。提供商给了我一个 .zip 文件，其中包含一个名称中似乎包含中文字符的文件。这似乎导致 zipfile 模块出错。

代码：

import zipfile

f = "/path/to/zip_file.zip"

if zipfile.is_zipfile(f):
    fz = zipfile.ZipFile(f, 'r')

zipfile 本身不包含任何非 ASCII 字符，但其中的文件包含。当我运行上面的脚本时，我得到以下异常：

Traceback (most recent call last):   File "./temp.py", line 9, in <module>
    fz = zipfile.ZipFile(f, 'r')   File "/usr/lib/python2.7/zipfile.py", line 770, in __init__
    self._RealGetContents()   File "/usr/lib/python2.7/zipfile.py", line 859, in _RealGetContents
    x.filename = x._decodeFilename()   File "/usr/lib/python2.7/zipfile.py", line 379, in _decodeFilename
    return self.filename.decode('utf-8')   File "/usr/lib/python2.7/encodings/utf_8.py", line 16, in decode
    return codecs.utf_8_decode(input, errors, True) UnicodeDecodeError: 'utf8' codec can't decode byte 0xbd in position 30: invalid start byte

我尝试过查看许多类似问题的答案：

• Read file with Chinese Characters
• Extract zip files with non-unicode filenames
• Extract files with invalid characters

如果我错了，请纠正我，但它看起来像 open issue with the zipfile module。

我该如何解决这个问题？是否有任何替代模块来处理我应该使用的压缩文件？还是其他解决方案？

TIA。

编辑： 我可以使用 linux 命令行实用程序“解压缩”完美地访问/解压缩同一个文件。

Answer 1

@Mr.Ham 的解决方案完美解决了我的问题。我用的是中文版的Win10。其中文件系统的默认编码是GBK。

我认为适用于其他语言用户。只需将解码从 GBK 更改为系统默认编码也可以。并且默认的系统编码可以通过Python自动获取。

所以修补后的代码如下所示：

import zipfile
import locale

default_encoding = locale.getpreferredencoding()

with zipfile.ZipFile("/path/to/zip_file.zip") as f:
    zipinfo = f.infolist()
    for member in zipinfo:
        member.filename = member.filename.encode('cp437').decode(default_encoding)
        # The second argument could make the extracted filese to the same dir as the zip file, or leave it blank to your work dir.
        f.extract(member, "/path/to/zip_file")

Answer 2

最近我遇到了同样的问题。这是我的解决方案。希望对你有用。

import shutil
import zipfile
f = zipfile.ZipFile('/path/to/zip_file.zip', 'r')
for fileinfo in f.infolist():
    filename = fileinfo.filename.encode('cp437').decode('gbk')
    outputfile = open(filename, "wb")
    shutil.copyfileobj(f.open(fileinfo.filename), outputfile)
    outputfile.close()
f.close()

更新：您可以通过pathlib 使用以下更简单的解决方案：

from pathlib import Path
import zipfile

with zipfile.ZipFile('/path/to/zip_file.zip', 'r') as f:
    for fn in f.namelist():
        extracted_path = Path(f.extract(fn))
        extracted_path.rename(fn.encode('cp437').decode('gbk'))

Answer 3

这段代码呢？

import zipfile

with zipfile.ZipFile('/path/to/zip_file.zip', 'r') as f:
    zipInfo = f.infolist()
    for member in zipInfo:
        member.filename = member.filename.encode('cp437').decode('gbk')
        f.extract(member)

Answer 4

Python 2.x(2.7) 和 Python 3.x 处理模块 zipfile 中非 utf-8 文件名的方式有点不同。

首先，他们都检查文件的 ZipInfo.flag_bits，如果 ZipInfo.flag_bits & 0x800，文件名将使用 utf-8 解码。

如果上面的检查为False，在Python 2.x中，将返回名称的字节串；在 Python 3.x 中，该模块将对编码为 cp437 的文件进行解码并返回解码结果。当然，在两个 Python 版本中，模块都不知道文件名的真实编码。

因此，假设您从 ZipInfo 对象或 zipfile.namelist 方法中获得了一个文件名，并且您已经知道该文件名是使用 XXX 编码进行编码的。这些是您获得正确 unicode 文件名的方法：

# in python 2.x
filename = filename.decode('XXX')


# in python 3.x
filename = filename.encode('cp437').decode('XXX')

Answer 5

ZIP 文件无效。它有一个标志，表明其中的文件名被编码为 UTF-8，但实际上不是；它们包含作为 UTF-8 无效的字节序列。也许他们是GBK？也许还有别的？也许是一些邪恶的不一致的混合物？不幸的是，野外的 ZIP 工具在处理非 ASCII 文件名方面非常糟糕。

一个快速的解决方法可能是替换解码文件名的库函数。这是一个猴子补丁，因为没有一种简单的方法可以将您自己的 ZipInfo 类注入 ZipFile，但是：

zipfile.ZipInfo._decodeFilename = lambda self: self.filename

将禁用解码文件名的尝试，并始终返回带有字节字符串 filename 属性的 ZipInfo，您可以继续以任何合适的方式手动解码/处理。