Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/masx200/mht-image-extractor

mht文件图片解析工具
https://github.com/masx200/mht-image-extractor

Last synced: 6 days ago
JSON representation

mht文件图片解析工具

Awesome Lists containing this project

README 

        
.mht文件图片解析工具

=================



网上找了一下没有找到比较现成的好用的工具，找到一个mht-viewer 的windows下的查看工具，但是实际实用的时候发现啥都看不了，就是个文本编辑器？还是我打开的姿势不对？



![mht-viewer](screenshots/3.jpg)  



并且对于中文目录和文件名直接无法显示，我都不知道查看的是什么东西,就这个还尼玛有付费版本？  



搜索了一下发现了几个python脚本，实际使用效果也一般。网上搜索了一下并没有找到相关的文件格式的说明



直接查看文件就可以发现文件格式并不是十分复杂，于是可以遍历来解析文件中的图片



已经保存的图片如下：



![1](screenshots/1.jpg)



在文件中的存储结构如下：



![2](screenshots/2.jpg)



虽然现在mht文件中的资源链接已经全部都挂了，但是所有的资源都是本地保存的，所以要还原对应的图片，只需要将对应的base64加密的字符串解密，然后写入文件即可



资源的存储方式则是通过 boundary=----------pMKI1vNl6U7UKeGzbfNTyN 进行分隔，在文件的第一行已经定义了边界分隔字符串，通过这个值即可将所有的资源全部分隔出来



- 第一段



>Content-Type: multipart/related; start=; boundary=----------pMKI1vNl6U7UKeGzbfNTyN

Content-Location: http://a.10xjw.com/feizhuliu/89905.html  

Subject: =?utf-8?Q?=E8=B6=85=E7=BE=8E=E4=B8=9D=E6=8E=A7=E5=A7=90=E5=A6=B9=E8=8A=B1=E7=A7=92=E6=9D=80=E4=BD=A0=E6=B2=A1=E9=97=AE=E9=A2=98[26P]-=2037kxw.com=20-=20=E4=B8=AD=E5=9B=BD=E6=9C=80=E5=A4=A7=E7=9A=84=E8=89=B2=E6=83=85=E5=88=86=E4=BA=AB=E7=BD=91=E7=AB=99?=

MIME-Version: 1.0  



第一段定义了文件类型 边界 原始url 原始网页标题以及 版本号



- 第二段

>------------pMKI1vNl6U7UKeGzbfNTyN  

Content-Disposition: inline; filename=89905.html  

Content-Type: text/html; charset=gbk; name=89905.html  

Content-ID:   

Content-Location: http://a.10xjw.com/feizhuliu/89905.html  



第二段则定义了html源码相关的内容，具体可以参考相关的源码



- 后续段落

>------------pMKI1vNl6U7UKeGzbfNTyN  

Content-Disposition: inline; filename=c.css  

Content-Type: text/css; charset=gbk; name=c.css  

Content-Location: http://a.10xjw.com/c.css  

Content-Transfer-Encoding: 8bit  



后续段落则开始记录相关的资源包括css 图片 js等所有的资源信息。所以mht文件的好处是一个文件记录了所有的内容，并且即使原始网络资源已经无法访问也可以正常的浏览



而我这里关注的则只有图片信息， 图片信息结构如下：



> ------------pMKI1vNl6U7UKeGzbfNTyN  

Content-Disposition: inline; filename=771d2ad986.jpg  

Content-Type: image/jpeg; name=771d2ad986.jpg  

Content-Location: http://himg2.huanqiu.com/attachment/091012/771d2ad986.jpg  

Content-Transfer-Encoding: Base64  



>/9j/4AAQSkZJRgABAQEA8ADwAAD/2wBDAAkGBgYHBgkHBwkNCQcJDQ8LCQkLDxEO

Dg8ODhEUDxAQEBAPFBEUFRYVFBEaGhwcGholJCQkJSgoKCgoKCgoKCj/2wBDAQoJ

CQ4ODhgRERgZFBIUGR8eHh4eHyIfHx8fHyIkISAgICAhJCMkIiIiJCMmJiQkJiYo

KCgoKCgoKCgoKCgoKCj/wAARCALQAeADAREAAhEBAxEB/8QAHAAAAgIDAQEAAAAA

AAAAAAAABAUDBgECBwAI/8QAUhAAAQMCBAMEBwUFBQUFBwQDAQACAwQRBRIhMQYT



保存文件所需的所有的信息已经都存在了，包活文件名，文件类型，原始的路径以及图片base64编码



所以只要将对应的数据解密然后保存下载就一切都ok了



文件名可能存在过长拆分的问题：



>------------uNdOxD6YsQZMV8KY8Zldv3  

Content-Disposition: inline; filename*0="y1pGpLTMzlEMSYejPYdz8DuYH_ttGFJ-9PPezzT7";  

 filename*1="XtK1BlVN9nlq92nDSZcjEGAGO_N9YAw5PtCWc-aX9QBcPpgcg.jpeg"  

Content-Type: image/jpeg; name*0="y1pGpLTMzlEMSYejPYdz8DuYH_ttGFJ-9PPezzT7";  

 name*1="XtK1BlVN9nlq92nDSZcjEGAGO_N9YAw5PtCWc-aX9QBcPpgcg.jpeg"  

Content-Location: http://public.blu.livefilestore.com/y1phEb_sfR0Z7hVsySTRZ06sRwVSc7LI_whCIjV-xzTuqm1embz8wPPtC0eXr69ZaLGUC3xzk3Ex6ppUyPb2XG_eg/anri_big18.jpg  

Content-Transfer-Encoding: Base64  



我直接采用了简单粗暴的方式，如果文件名过长直接使用default.jpg进行命名。如果需要原始文件名可以将对应的filename 全部进行拼接即可。



@author: obaby  

@license: (C) Copyright 2013-2020, obaby@mars.  

@contact: [email protected]  

@link: http://www.obaby.org.cn  

        http://www.h4ck.org.cn  

        http://www.findu.co  

@file: baby_mht_image_extractor.py  

@time: 2020/5/22 20:46  

@desc: