コンテンツにスキップ

Python で URL のファイル タイプを取得する方法

Python アプリケーションで URL を操作する場合、多くの場合、URL が指すリソースのファイル タイプを決定する必要があります。ファイルの種類がわかれば、画像の表示、HTML のレンダリング、PDF ドキュメントのダウンロードの開始など、コンテンツを適切に処理できるようになります。このガイドでは、Python を使用して URL のファイル タイプを取得する 2 つの方法を検討します。 mimetypes モジュールを呼び出し、HEAD リクエストを実行して応答ヘッダーを検査します。

ファイルタイプとMIMEタイプについて

コードの説明に入る前に、「ファイル タイプ」の意味を明確にしましょう。すべてのファイルには、ファイル内のデータがどのように構造化され解釈されるかを決定する特定の形式があります。一般的なファイルの種類は次のとおりです。

  • テキスト ファイル (.txt)
  • 画像（.jpg, .png, .gif)
  • ドキュメント（.pdf, .doc, .xls)
  • 音声ファイル (.mp3, .wav)
  • ビデオ ファイル (.mp4, .avi)

これらのファイルの種類は、多くの場合、ファイル名の最後のドット ( の後の部分) であるファイル拡張子によって示されます。.）。ただし、ファイル拡張子だけでは実際のファイルの種類を判断する信頼できる方法ではないことに注意することが重要です。ファイルの拡張子が間違っているか、拡張子が欠落している可能性があります。

Web のコンテキストでは、ファイル タイプは MIME タイプ (多目的インターネット メール拡張機能) を使用して通信されます。 MIME タイプは、インターネット上で送信されるコンテンツの形式を指定する標準化された方法を提供します。彼らはフォーマットに従います type/subtype、 といった text/plain プレーンテキストファイルの場合、 image/jpeg JPEG画像の場合、および application/pdf PDF ドキュメントの場合。

ファイル タイプと MIME タイプを理解したところで、Python を使用して URL のファイル タイプを判断する方法を見てみましょう。

方法1：を使用する mimetypes モジュール

Python には、と呼ばれる組み込みモジュールが用意されています。 mimetypes これにより、URL またはファイル名に基づいてファイルの MIME タイプを推測できるようになります。これを使用して URL のファイル タイプを取得する方法は次のとおりです。

import mimetypes

url = "https://example.com/image.jpg"
mime_type, _ = mimetypes.guess_type(url)
print(mime_type)  # Output: image/jpeg

この例では、 mimetypes モジュールを作成し、URL を guess_type() 関数。この関数は、MIME タイプとエンコーディング (使用可能な場合) を含むタプルを返します。 MIME タイプを mime_type 変数を指定して出力します。

　 mimetypes モジュールは、URL のファイル拡張子と、MIME タイプへの拡張子の事前設定されたマッピングの組み合わせを使用して、推測を行います。 URL にファイル拡張子がない場合、または拡張子が認識されない場合は、 guess_type() 戻ります None.

一方、 mimetypes モジュールは簡単に使用できますが、いくつかの制限があります。

  • これは、URL 内のファイル拡張子の存在と正確さに依存します。
  • 特に一般的ではないファイル タイプの場合、常に正しい MIME タイプが提供されるとは限りません。
  • ファイルの実際の内容は考慮されません。

こうした制限にもかかわらず、 mimetypes モジュールを使用すると、多くの場合、URL のファイル タイプをすばやく簡単に取得できます。

方法 2: HEAD リクエストを作成する

URL のファイル タイプを判断するより信頼性の高い方法は、URL に対して HEAD リクエストを作成し、そのファイル タイプを検査することです。 Content-Type 応答のヘッダー。 HEAD リクエストは GET リクエストに似ていますが、コンテンツ全体をダウンロードするのではなく、応答のヘッダーのみを取得します。

Python で HEAD リクエストを行うには、 requests 図書館。以下に例を示します。

import requests

url = "https://example.com/document.pdf"
response = requests.head(url)
content_type = response.headers.get("Content-Type")
print(content_type)  # Output: application/pdf

この例では、 requests.head() 指定された URL に HEAD リクエストを送信する関数。次に、 Content-Type を使用して応答ヘッダーからヘッダーを取得します。 response.headers.get()を選択します。 Content-Type ヘッダーにはリソースの MIME タイプが含まれており、それを出力します。

HEAD リクエストを行うことには、 mimetypes モジュール：

  • URL 内のファイル拡張子には依存しません。
  • サーバーから応答ヘッダーで提供される実際の MIME タイプを取得します。
  • 一般的でない、または認識されないファイル タイプであっても、あらゆるファイル タイプで機能します。 mimetypes.

ただし、この方法を使用する場合は、次の点に注意してください。

  • 追加のネットワーク要求を行う必要があるため、オーバーヘッドが追加される可能性があります。
  • サーバーは HEAD リクエストをサポートし、 Content-Type 応答のヘッダー。
  • サーバーによっては、正確な MIME タイプを提供しないか、標準以外のタイプを使用する場合があります。

これらの考慮事項にもかかわらず、一般に、HEAD リクエストを作成することが、URL のファイル タイプを判断する最も信頼できる方法です。

2 つの方法の比較

それぞれの方法の長所と短所をまとめてみましょう。

mimetypes モジュール：

  • 長所：
    • シンプルで使いやすい
    • 追加のネットワークリクエストを行う必要はありません
  • 短所：
    • URL 内のファイル拡張子の存在と正確さに依存します。
    • あまり一般的ではないファイル タイプの場合、正しい MIME タイプが提供されない可能性があります

ヘッドリクエスト:

  • 長所：
    • サーバーから提供される実際の MIME タイプを取得します。
    • ファイル拡張子に関係なく、あらゆる種類のファイルに対応
  • 短所：
    • 追加のネットワークリクエストを行う必要があります
    • HEAD リクエストをサポートし、正確な MIME タイプを提供するサーバーに依存します

実際には、特定の要件と作業している URL の特性に基づいて方法を選択できます。適切に構造化された URL と一般的なファイル タイプを扱う場合は、 mimetypes モジュールは迅速で便利なオプションです。ただし、より高い信頼性と、より広範囲のファイル タイプのサポートが必要な場合は、HEAD リクエストを作成することをお勧めします。

使用例と例

URL のファイル タイプを取得すると、さまざまなシナリオで役立ちます。以下にいくつかの例を示します。

  1. ファイルのダウンロード:
    ユーザーが URL からファイルをダウンロードできるようにする場合、ファイルの種類を使用して適切なファイルを設定できます。 Content-Type これは、ブラウザがダウンロードされたファイルを処理する方法を決定するのに役立ちます。

  2. 画像の表示:
    イメージ ギャラリーを構築する場合、または外部ソースからのイメージを表示する場合、ファイル タイプを知っていると、表示する前に URL が有効なイメージ ファイルを指しているかどうかを検証するのに役立ちます。

  3. HTML コンテンツのレンダリング:
    URL から HTML コンテンツを取得してアプリケーション内で表示する場合、ファイル タイプをチェックすることで、他のタイプのコンテンツではなく HTML ファイルを扱っていることが確認されます。

  4. ファイルのアップロードの処理:
    ユーザーにファイルのアップロードを許可する場合、ファイルの種類を使用して、アップロードされたファイルが処理または保存する前に許可された形式であることを検証できます。

まとめ

URL のファイル タイプを決定することは、Python で Web リソースを操作する場合の一般的なタスクです。これを実現するために 2 つの方法を検討しました。 mimetypes モジュールを作成し、HEAD リクエストを作成します。

　 mimetypes モジュールは、URL のファイル拡張子に基づいてファイルの種類を推測する簡単な方法を提供します。これは迅速であり、追加のネットワーク リクエストを必要としないため、適切に構造化された URL と一般的なファイル タイプを使用する単純なケースに適しています。

一方、URL に対して HEAD リクエストを発行し、 Content-Type 応答内のヘッダーは、より信頼性の高いアプローチを提供します。ファイル拡張子に関係なく、サーバーによって提供される実際の MIME タイプを取得します。この方法は、幅広い種類のファイルを扱う場合、またはファイル拡張子が信頼できない場合に特に便利です。

2 つの方法のどちらかを選択する場合は、URL 内のファイル拡張子の信頼性、処理する必要があるファイルの種類の多様性、許容可能なパフォーマンスのオーバーヘッドなどの要素を考慮してください。

これらのメソッドは URL のファイル タイプを判断する方法を提供しますが、潜在的なエラーやエッジ ケースを適切に処理することが依然として重要であることに注意してください。一部の URL には有効なファイル タイプがないか、サーバーが不正確または欠落している MIME タイプを提供している可能性があります。

Python を使用して URL のファイル タイプを取得する方法を理解すると、さまざまな Web リソースを効果的に処理できる、より堅牢で柔軟なアプリケーションを構築できます。

参考文献

参加する

あなたのメールアドレスは公開されません。 必須フィールドは、マークされています *

関連記事

Python で Web スクレイピングに XPath セレクターを使用する方法

Python で XPath セレクターを使用する方法は複数あります。一般的なオプションの 1 つは、lxml と BeautifulSoup を使用し、リクエストと組み合わせることです。 2 番目のオプションは Selenium を使用することです。
lxml、BeautifulSoup、ScrapingBee ホームページを開いて XPath を使用して h1 タグからテキストを抽出するリクエストを使用するサンプル コードを次に示します。
lxml からのインポートリクエスト bs4 からの etree のインポート import BeautifulSoup html = リクエスト。

XPath でテキストによって要素を選択する方法

contains(text(), "Text string") または text()="Text string" 式を使用すると、XPath 内のテキストで要素を選択できます。
最初の式は、「テキスト文字列」サブ文字列を含む任意の要素と一致します。ただし、2 番目の式は、この正確な文字列を含む要素のみに一致します。
以下は、lxml、BeautifulSoup、および ScrapingBee ホームページを開いてテキストベースの XPath セレクターを使用して h1 タグからテキストを抽出するリクエストを使用するサンプル コードです。

XPath でクラスごとに要素を選択する方法: 究極ガイド

contains(@class, "class-name") または @class="class-name" 式を使用すると、XPath でクラスごとに要素を選択できます。
最初の式は、class-name を含む任意の要素と一致します。要素に追加のクラスが定義されている場合でも、要素は一致します。ただし、2 番目の式は、class-name という名前のクラスを 1 つだけ持ち、追加のクラスを持たない要素と一致します。
以下は、クラス名を使用して ScrapingBee Web サイトから h1 タグを抽出する Selenium XPath サンプル コードです。