.mht文件图片解析工具

什么是mht文件：

MHTML文件又称为聚合HTML文档、Web档案或单一文件网页。单个文件网页可将网站的所有元素(包括文本和图形)都保存到单个文件中。这种封装使您可将整个网站发布为单个内嵌MIME (MIME：通过 Internet 连接传递多媒体资源的一列标准。MIME类型通知程序对象所包含的内容(如图形、声音或视频)的聚合HTML文档(MHTML)文件，或将整个网站作为一个电子邮件或附件发送。Internet Explorer 4.0及更高版本支持此格式。

百度百科链接

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？

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：

在文件中的存储结构如下：

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=op.mhtml.1267442701515.fe60c16c115c15f9@169.254.195.209; 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: op.mhtml.1267442701515.fe60c16c115c15f9@169.254.195.209

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; filename0="y1pGpLTMzlEMSYejPYdz8DuYH_ttGFJ-9PPezzT7";

filename1="XtK1BlVN9nlq92nDSZcjEGAGO_N9YAw5PtCWc-aX9QBcPpgcg.jpeg"

Content-Type: image/jpeg; name0="y1pGpLTMzlEMSYejPYdz8DuYH_ttGFJ-9PPezzT7";

name1="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。

# -*- coding: utf-8 -*-

"""

@author: obaby

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

@contact: root@obaby.org.cn

@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:

"""

import base64

import getopt

import os

import quopri

import sys

from pyfiglet import Figlet

current_path = os.path.dirname(os.path.abspath(__file__))

dirname, filename = os.path.split(os.path.abspath(sys.argv[0]))

current_path = dirname

OUT_PATH = os.path.join(current_path, 'out')

def convert_mht_to_list(boundary, html_content):

return str(html_content).split(boundary)

def get_boundary(html_content):

return '--' + str(html_content).split(';')[-1].split('=')[-1]

def make_dir(floder_name):

PATH = os.path.join(OUT_PATH, floder_name)

if not os.path.exists(PATH):

os.makedirs(PATH)

os.chdir(PATH)

return PATH

def save_image_file(image_content, path, file_name):

try:

file_path = os.path.join(path, file_name)

make_dir(path)

with open(file_path, 'wb') as f:

f.write(image_content)

print('[S] 保存图片成功')

return file_path

except Exception as e:

# print(e)

print('[S] 保存图片失败: ' + str(e))

return None

def get_content_type(sub_content):

content_type = 'Unknown'

for l in sub_content:

if 'Content-Type' in l:

content_type = l.split(';')[0].split(':')[1]

break

return content_type

def get_content_encoding(sub_content):

content_encoding = 'unknown'

pass_count = 0

for l in sub_content:

if 'Content-Transfer-Encoding' in l:

content_encoding = l.split(':')[1].replace(' ', '')

break

pass_count += 1

return content_encoding, pass_count

def get_content_type_and_content(line, sub_path_name, index):

line = str(line)

sub_content = line.split('\n')

if 'Content-Disposition' in line:

try:

file_name = sub_content[0].split(';')[1].split('=')[1]

if 'filename*0' in sub_content[0]:

file_name = 'default.jpg'

except:

file_name = 'default.jpg'

content_type = get_content_type(sub_content)

content_encoding, psc = get_content_encoding(sub_content)

content = ''.join(sub_content[psc+1:])

if 'image' in content_type:

filename = str(index) + '_' + file_name

print('[S] 正在保存图片文件:', filename)

decoded_body = None

if content_encoding.lower() == 'quoted-printable':

decoded_body = quopri.decodestring(content)

if content_encoding.lower() == 'base64':

decoded_body = base64.b64decode(content)

if decoded_body:

save_image_file(decoded_body, sub_path_name, filename)

else:

print('[S] 图片解码失败，无法保存')

return

def print_usage():

print('*' * 100)

# f = Figlet(font='slant')

f = Figlet()

print(f.renderText('obaby@mars'))

print('mht image extractor by obaby')

print('Verson: 0.5.22')

print('baby_mht_image_extractor -f -o -p ')

print('Need Arguments:')

print('\t -f ')

print('\t -o ')

print('Option Arguments:')

print('\t -p ')

print('Blog: http://www.h4ck.org.cn')

print('*' * 100)

def save_mht_all_images(input_path):

sub_path_name = os.path.join(OUT_PATH, os.path.basename(input_path).title())

with open(input_path, 'r', ) as f:

first_line = f.readline()

body_content = f.read()

boundary = get_boundary(first_line)

content_list = convert_mht_to_list(boundary, html_content=body_content)

index = 0

for l in content_list:

get_content_type_and_content(l, sub_path_name, index)

index += 1

def main(argv):

global OUT_PATH

input_path = ''

outputpath = ''

input_file = ''

try:

opts, args = getopt.getopt(argv, "hf:o:p:", ["file=", "opath=", "ipath="])

except getopt.GetoptError:

print_usage()

sys.exit(2)

for opt, arg in opts:

if opt == '-h':

print_usage()

sys.exit()

elif opt in ("-f", "--file"):

input_file = arg

elif opt in ("-p", "--ipath"):

input_path = arg

elif opt in ("-o", "--opath"):

outputpath = arg

if input_file == '' and input_path == '':

print_usage()

sys.exit(2)

if outputpath != '':

OUT_PATH = outputpath

print('*' * 100)

print('[S] 开始任务......')

print('[C] 输入文件:' + input_file)

print('[C] 输入目录:' + input_path)

print('[C] 输出目录:' + OUT_PATH)

if os.path.isfile(input_file):

save_mht_all_images(input_file)

print('[D] 导出全部完成。')

print('*' * 100)

else:

if os.path.isdir(input_path):

for root, dirs, files in os.walk(input_path):

for file in files:

print('[S] 开始处理文件:', file)

save_mht_all_images(os.path.join(root, file))

print('-' * 80)

print('[D] 导出全部完成。')

print('*' * 100)

else:

print_usage()

if __name__ == '__main__':

main(sys.argv[1:])

最后于 2020-5-25 10:23

被obaby编辑

，原因： 更新图片链接地址

上传的附件：

1.jpg

(72.54kb，6次下载)

2.jpg

(111.57kb，4次下载)

3.jpg

(182.74kb，4次下载)