Python 2与3中处理CJK编码ZIP文件的兼容方案

近期项目中遇到了包含中文编码的ZIP文件，处理过程耗时较长，特此记录以避后续重复踩坑。

Python 2环境下的处理方案

Python 2环境下的处理方式

在Python 2中读取ZIP文件时，zipfile.ZipInfo对象的filename属性类型为str，其语义类似于Python 3中的bytes，即该字符串可通过decode方法转换为unicode。

因此，处理中文文件名的关键在于将文件名按照指定的编码格式decode为unicode。

import zipfile
fpath = '/path/to/zip.zip'
zfile = zipfile.ZipFile(fpath, 'r')
for fileinfo in zfile.filelist:
  print fileinfo.filename.decode('gb18030')
  # 如果要更加详细的区分bytes/str/unicode的语义
  print bytes(fileinfo.filename).decode('gb18030')

Python 3环境下的编码逻辑与兼容策略

Python 3环境下的处理方式

在Python 3中，若ZIP文件头中的语言编码标志（EFS）为1，则文件名按UTF-8编码处理；若EFS为0，则直接按CP437编码解码文件名，这是ZIP标准的直接规定。

然而，许多软件在创建ZIP压缩包时，并未遵循标准，而是直接使用GB18030或其他非标准编码格式来编码文件名。因此，我们需要先将文件名转换为bytes，再使用对应的编码方式进行解码。

fpath = '/path/to/zip.zip'
zfile = zipfile.ZipFile(fpath, 'r')
for fileinfo in zfile.filelist:
  print(fileinfo.filename.encode('cp437').decode('gb18030'))

既然方法已明确，理论上可以根据文件名智能猜测编码后直接解压。但由于单个文件名较短，chardet库的编码猜测可能不准确，因此建议将所有文件名连接成一个长字符串后再进行编码猜测，以提高准确率。

完整代码请参考mczip项目，该方案兼容Python 2和Python 3。

总结

以上介绍了在Python 2和Python 3中处理CJK编码ZIP文件的方法，希望能为遇到类似问题的开发者提供帮助。如有疑问欢迎留言，小编会及时回复。感谢对本站的支持！若本文对您有帮助，欢迎转载，请注明出处，谢谢！