Как декодировать сжатые данные gzip, возвращаемые в HTTP-ответе в python?

Я создал архитектуру клиент/сервер в python, я беру HTTP-запрос от клиента, который обслуживается запросом другого HTTP-сервера через мой код.

Когда я получаю ответ от третьего сервера, я не могу декодировать сжатые данные gzip, я сначала разделил данные ответа, используя \r\n как разделительный символ, который получил мне данные как последний элемент в списке, затем я попробовал распаковать его с помощью

zlib.decompress(data[-1])

но это дает мне ошибку неправильных заголовков. Как мне решить эту проблему?

код

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')

Я хочу прочитать данные, которые были переданы между клиентом и вторым сервером.

Ответ 1

Укажите wbits при использовании zlib.decompress(string, wbits, bufsize), например, в конце "устранения неполадок".

Устранение неполадок

Давайте начнем с команды aa curl, которая загружает ответ диапазона байтов с неизвестным "контентом содержимого" (обратите внимание: мы знаем, что перед этим это какая-то сжатая вещь, mabye deflate возможно 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

Со следующими заголовками ответов:

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

Итак, точка.

Позволяет отобразить шестнадцатеричный вывод первых 10 байтов: curl -r 266472196-266472208 $URL | xxd

hex output:

0000000: 1f8b 0800 0000 0000 0000 ecbd eb

Мы можем видеть некоторые основы того, с чем мы работаем, с шестнадцатеричными значениями.

Грубо говоря, это, вероятно, gzip (1f8b) с использованием deflate (0800) без времени модификации (0000 0000) или любых дополнительных флагов (00), используя систему fat32 (00).

Обратитесь к разделу 2.3/2.3.1: https://tools.ietf.org/html/rfc1952#section-2.3.1

Итак, на питон:

>>> 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

заметьте что-нибудь подобное?:

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

И на декомпрессию позвольте просто научиться на основе (документация):

>>> import zlib

"zlib.error: Ошибка -2 при подготовке к распаковке данных: несогласованное состояние потока:

>>> 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

"Ошибка -3 при распаковке данных: неправильная проверка заголовка":

>>> 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: Ошибка -3 при распаковке данных: неверное расстояние слишком далеко назад:

>>> 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

Возможное решение:

>>> 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

Ответ 2

В соответствии с https://www.w3.org/Protocols/rfc2616/rfc2616-sec6.html заголовки и тело разделяются пустой строкой, содержащей только символы CRLF. Вы можете попробовать

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

Разделение находит пустую строку, а дополнительный параметр ограничивает количество разделов - результатом является массив с двумя элементами, заголовками и телом. Но трудно рекомендовать что-либо, не зная больше о вашем коде и фактической разбивке строки.