如何解码python中HTTP响应中返回的gzip压缩数据？

Question

我在 python 中创建了一个客户端/服务器架构，我从客户端获取 HTTP 请求，通过我的代码请求另一个 HTTP 服务器来提供服务。

当我从第三台服务器得到响应时，我无法解码 gzip 压缩数据，我首先使用\\r\\n作为分隔符分割响应数据，这让我将数据作为列表中的最后一项，然后我尝试解压缩它与

zlib.decompress(data[-1]) 

但它给了我一个错误标题的错误。 我应该如何解决这个问题？

代码

client_reply = ''
                 while 1:
                     chunk = server2.recv(512)
                     if len(chunk) :
                         client.send(chunk)
                         client_reply += chunk
                     else:
                         break
                 client_split = client_reply.split("\r\n")
                 print client_split[-1].decode('zlib')

我想读取在客户端和第二个服务器之间传输的数据。

Answer 1

指定wbits使用时zlib.decompress(string, wbits, bufsize)请参阅“问题解答”例如结束。

故障排除

让我们从一个 curl 命令开始，该命令下载一个字节范围响应，其中包含一个未知的“内容编码”（注意：我们事先知道它是某种压缩的东西，mabye deflate可能是gzip ）：

export URL="https://commoncrawl.s3.amazonaws.com/crawl-data/CC-MAIN-2016-18/segments/1461860106452.21/warc/CC-MAIN-20160428161506-00007-ip-10-239-7-51.ec2.internal.warc.gz"
curl -r 266472196-266527075 $URL | gzip -dc | tee hello.txt

使用以下响应标头：

HTTP/1.1 206 Partial Content
x-amz-id-2: IzdPq3DAPfitkgdXhEwzBSwkxwJRx9ICtfxnnruPCLSMvueRA8j7a05hKr++Na6s
x-amz-request-id: 14B89CED698E0954
Date: Sat, 06 Aug 2016 01:26:03 GMT
Last-Modified: Sat, 07 May 2016 08:39:18 GMT
ETag: "144a93586a13abf27cb9b82b10a87787"
Accept-Ranges: bytes
Content-Range: bytes 266472196-266527075/711047506
Content-Type: application/octet-stream
Content-Length: 54880
Server: AmazonS3

所以说到点子上了。

让我们显示前 10 个字节的十六进制输出： curl -r 266472196-266472208 $URL | xxd curl -r 266472196-266472208 $URL | xxd

十六进制输出：

0000000: 1f8b 0800 0000 0000 0000 ecbd eb

我们可以看到我们正在使用十六进制值的一些基础知识。

大致意思是它可能是一个gzip（ 1f8b用放气（） 0800 ），不需修改时间（ 0000 0000 ），或任何额外的标志集（ 00 ），采用FAT32系统（ 00 ）。

请参阅第 2.3 / 2.3.1 节： https : //tools.ietf.org/html/rfc1952#section-2.3.1

所以到python上：

>>> import requests
>>> url = 'https://commoncrawl.s3.amazonaws.com/crawl-data/CC-MAIN-2016-18/segments/1461860106452.21/warc/CC-MAIN-20160428161506-00006-ip-10-239-7-51.ec2.internal.warc.gz'
>>> response = requests.get(url, params={"range":"bytes=257173173-257248267"})
>>> unknown_compressed_data = response.content

注意到任何类似的东西吗？：

>>> unknown_compressed_data[:10]
'\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x00'

关于解压，让我们根据（文档）随机尝试：

>>> import zlib

“zlib.error：准备解压缩数据时出错-2：不一致的流状态” ：

>>> zlib.decompress(unknown_compressed_data, -31)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
zlib.error: Error -2 while preparing to decompress data: inconsistent stream state

“解压缩数据时出错 -3：不正确的标头检查”：

>>> zlib.decompress(unknown_compressed_data)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
zlib.error: Error -3 while decompressing data: incorrect header check

“zlib.error：解压缩数据时出现错误-3：无效距离太远” ：

>>> zlib.decompress(unknown_compressed_data, 30)
Traceback (most recent call last):
 File "<stdin>", line 1, in <module>
zlib.error: Error -3 while decompressing data: invalid distance too far back

可能的解决方案：

>>> zlib.decompress(unknown_compressed_data, 31)
'WARC/1.0\r\nWARC-Type: response\r\nWARC-Date: 2016-04-28T20:14:16Z\r\nWARC-Record-ID: <urn:uu

Answer 2

根据https://www.w3.org/Protocols/rfc2616/rfc2616-sec6.html ，标题和正文由仅包含 CRLF 字符的空行分隔。 你可以试试

client_split = client_reply.split("\r\n\r\n",1)
print client_split[1].decode('zlib')

拆分找到空行，附加参数限制拆分的数量 - 结果是包含两个项目，标题和正文的数组。 但是如果不了解更多关于您的代码和被拆分的实际字符串的信息，就很难推荐任何东西。