python - HTML URL生成下载时如何了解PDF的内容类型

Question

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

如果查询的 URL 实际上指向托管的 PDF 文件，则以下脚本可以正常工作。但是，对于下面的当前 URL，content-type 被检测为 text/html； charset=utf-8 即使它会导致强制 Web 下载 PDF 文件(该文件本身在 Chrome 中无法直接从 URL 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)

有没有办法检查实际生成的 PDF 下载的 MIME 类型，而不是生成它的 html 页面(blob？？)？

我已经设置了allow_redirects=True，但这里似乎并不重要。

Answer 1

如果您不是发出 HEAD 请求，而是发出 GET，您将获得您要查找的 header :

$ 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',
}

header 的差异是由服务器决定的，因此我认为没有办法在没有 GET 请求的情况下获取正确的 header 。