从 gzip 文件夹中提取文件答案

【问题标题】：Extract file from gzip folder从 gzip 文件夹中提取文件
【发布时间】：2017-12-20 21:29:48
【问题描述】：

我正在尝试从单击网站here 上的“SEC 投资顾问报告”按钮（仅供参考，此链接到 SEC 网站）的 gzip 中提取 XML 文件。下面是我的（最小）代码。我继续得到“嵌入的空字符”或“嵌入的空字节”，这取决于我是从我的请求中提供gzip.open() .text 还是.content。谁能帮我加载这个文件，以便我可以访问 XML？

import requests
import gzip

file = gzip.open(requests.get(r'https://www.adviserinfo.sec.gov/IAPD/Content/BulkFeed/CompilationDownload.aspx?FeedPK=39545&FeedType=IA_FIRM_SEC').text,'rt')

【问题讨论】：

gzip.open 采用文件名。此外，该链接中的 IA_FIRM_SEC_Feed_12_20_2017.xml.gz 似乎不是有效的 gzip 存档。它附加了 HTML。
您可以使用gzip.decompress。不过，请注意我对附加 HTML 的评论。 gzip.decompress(request.content[:request.content.find(b"\r\n\r\n<!DOCTYPE html>") - 1])

标签： python python-3.x gzip

【解决方案1】：

gzip.open 采用文件名，而不是压缩数据。你可以使用gzip.decompress。

您问题的存档看起来格式不正确。具体来说，它出于某种原因附加了 HTML。

以下内容仅使用 HTML 开头之前的内容：

import requests
import gzip

request = requests.get(r'https://www.adviserinfo.sec.gov/IAPD/Content/BulkFeed/CompilationDownload.aspx?FeedPK=39545&FeedType=IA_FIRM_SEC')

xml = gzip.decompress(request.content[:request.content.find(b"\r\n\r\n<!DOCTYPE html>") - 1])

【讨论】：