Question

我正在尝试使用requests content-type确定URL的MIME类型是否为PDF文件。

如果所查询的URL实际上导致托管的PDF文件，则以下脚本可以正常工作。但是，使用下面的当前URL，即使content-type被检测为text/html; charset=utf-8，即使它导致强制通过PDF文件进行网络下载（该文件本身也无法直接从URL在Chrome中读取）。

import requests

url = 'https://derinet.vontobel.ch/api/kid?isin=DE000VS0URS6&language=en'

def getContentType(url):
    r = requests.Session().head(url, allow_redirects=True)
    contentType = r.headers['content-type']

    print 'Content type: ' + contentType

    if (contentType == 'application/pdf') | (contentType == 'application/x-pdf'):
        print "content-type is PDF"
    else:
        print "content-type is not PDF!"

getContentType(url)

有什么方法可以检查实际生成的PDF下载的MIME类型，而不是生成它的html页面（blob ??）？

我设置了allow_redirects=True，但这似乎无关紧要。

Answer 1

如果您不是发出HEAD而是发出GET，则会得到您要查找的标头：

$ python
Python 3.7.2 (default, Feb 12 2019, 08:15:36) 
[Clang 10.0.0 (clang-1000.11.45.5)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>> import requests
>>> url = 'https://derinet.vontobel.ch/api/kid?isin=DE000VS0URS6&language=en'
>>> r = requests.get(url)
>>> r.headers
{
    'Date': 'Wed, 29 May 2019 14:26:56 GMT',
    'Server': 'Apache',
    'Set-Cookie': 'AL_LB=$xc/70TgziJYWEd9zZwhLxXFDJHocFA0gS9gdbEQS0N0LhFme3uS; Path=/; HTTPOnly; Domain=.vontobel.ch',
    'Content-Length': '51764',
    'Cache-Control': 'private',
    'Content-Disposition': 'attachment; filename=KID_DE000VS0URS6_en.pdf',
    'X-Frame-Options': 'SAMEORIGIN',
    'Pragma': 'blah',
    'Vary': 'User-Agent',
    'Keep-Alive': 'timeout=2, max=500',
    'Connection': 'Keep-Alive',
    'Content-Type': 'application/pdf',
}

标头的区别是服务器决定的，因此我认为没有GET请求就无法获得正确的标头。

HTML URL生成下载时如何学习PDF的内容类型

1 个答案: