HTTP 与 Web 标准 / 系统课时
处理文本与二进制内容
处理文本与二进制内容
拿到 HTTP Body 后,下一步不是直接转成字符串,而是先看 Content-Type:它告诉客户端这些字节代表 JSON、HTML、图片还是其他格式;对于文本内容,还要结合 charset 决定如何把字节解码成字符,避免乱码或把二进制错误当文本处理。
学习目标
- 根据
Content-Type选择正确的解析或保存方式 - 理解 charset 只解决“字节如何映射为字符”
- 区分内容类型、压缩编码与下载文件名等不同首部职责
先把 Body 当作字节
网络上传输的 Body 本质上是一串字节。Content-Type 的媒体类型决定“这些字节是什么”,charset 只在需要转换为文本时回答“按什么字符编码解码”。
Content-Type |
常见处理方式 | charset |
|---|---|---|
application/json |
交给 JSON 解析器 | 系统间交换通常使用 UTF-8 |
text/html; charset=utf-8 |
先解码文本,再按 HTML 处理 | 有意义 |
image/png |
交给 PNG 解码器或直接保存 | 不使用 |
application/pdf |
交给 PDF 阅读器或保存 | 不使用 |
application/octet-stream |
作为未知二进制流处理 | 不使用 |
因此,同样是一段 Body,文本客户端可能需要 decode(),图片客户端则应保留原始字节。不能只因为响应“看起来能打印”就把所有内容都当字符串。
charset 决定文本怎样解码
下面用标准库构造一个 text/plain; charset=utf-8 响应场景。示例不依赖网络,可以直接运行。
from email.message import Message
headers = Message()
headers["Content-Type"] = "text/plain; charset=utf-8"
body = "你好,HTTP".encode("utf-8")
media_type = headers.get_content_type()
charset = headers.get_content_charset()
if media_type.startswith("text/"):
text = body.decode(charset or "utf-8")
print(media_type)
print(charset or "utf-8")
print(text)
else:
print(f"{media_type}: {len(body)} bytes")预期输出
text/plain
utf-8
你好,HTTP这里先根据媒体类型判断是否按文本处理,再读取 charset。若文本类型没有声明 charset,不应假设 HTTP 存在一个对所有文本都适用的统一默认编码;应遵循对应媒体类型、文档格式或接口契约的规则。
JSON、HTML 与二进制的差别
application/json 表示 Body 是 JSON 文本。跨系统传输的 JSON 应使用 UTF-8,应用通常直接把响应交给 JSON 解析器,而不是先猜测本地编码。服务端即使附带 charset,客户端也不应把它当成可以任意改变 JSON 编码规则的通用开关。
HTML 更复杂。text/html 表明内容是文本型 HTML,HTTP 头里的 charset 是重要编码信息;浏览器还可能根据 HTML 自身规则处理编码声明。编写普通 HTTP 客户端时,优先遵循明确的协议和文档约定,不要靠“试几个编码直到不乱码”。
图片、PDF、ZIP 等二进制内容则不做字符解码。它们应保留原始字节,再交给相应格式解析器或写入文件,否则一次错误的字符串转换就可能破坏数据。
别把相邻首部混为一谈
Content-Type 描述媒体类型,Content-Encoding 描述 gzip 等内容编码,Content-Disposition 常用于提示下载方式和文件名。三者解决的是不同问题。
例如一个响应可以是 Content-Type: application/pdf,同时使用 Content-Encoding: gzip。客户端需要先按内容编码还原字节,再把结果作为 PDF 处理;文件名即使来自 Content-Disposition,也不能反过来证明真实媒体类型。
排查“乱码、JSON 解析失败、图片打不开、下载文件损坏”时,可以按固定顺序检查:先确认原始字节是否完整,再核对 Content-Encoding 是否已解压,随后检查 Content-Type,只有文本内容才继续核对 charset。