批量提取URL区间zip包内tif文件报BadZipFile错误解决方法

抛出BadZipFile: File is not a zip file的核心原因如下：

• URL拼接规则错误：目标数据集的压缩包命名要求k后的编号为两位补零格式（比如1号包对应k01.zip而非k1.zip），1-9号包的URL实际返回404错误页，不是zip二进制内容
• 存在冗余请求：每个资源地址重复发送2次GET请求，第一次请求结果完全未使用，额外浪费带宽
• 无合法性校验：拿到响应内容后没有校验请求状态、文件格式，直接把非zip的错误响应内容传给ZipFile解析，直接触发报错
• 变量名冲突：先后用filename存储压缩包名、压缩包内部文件名，存在变量覆盖风险

import requests
from zipfile import ZipFile, BadZipFile
from io import BytesIO

print('Downloading started')
save_path = '/content/gdrive/My Drive'
# 遍历1-42号包
for number in range(1, 43):
    # 编号补两位零，匹配官方资源命名规则
    url = f'https://downloadagiv.blob.core.windows.net/dhm-vlaanderen-ii-dsm-raster-1m/DHMVIIDSMRAS1m_k{number:02d}.zip'
    print(f'Processing {url}')
    try:
        req = requests.get(url, timeout=30)
        # 校验请求状态
        if req.status_code != 200:
            print(f'Download failed for {url}, status code: {req.status_code}, skip')
            continue
        # 校验是否为zip格式（zip文件头固定为PK开头）
        if not req.content.startswith(b'PK'):
            print(f'Response is not a valid zip file for {url}, skip')
            continue
        zip_file = ZipFile(BytesIO(req.content))
        # 遍历压缩包内文件提取tif
        for inner_file in zip_file.namelist():
            if inner_file.endswith('.tif'):
                zip_file.extract(inner_file, save_path)
        print(f'Process completed for k{number:02d}.zip')
    except BadZipFile:
        print(f'Corrupted zip file for k{number:02d}.zip, skip')
    except Exception as e:
        print(f'Error processing k{number:02d}.zip: {str(e)}, skip')

print('All tasks finished')

• 修正URL编号格式，用{number:02d}实现两位自动补零，匹配资源实际命名规则，解决1-9号包404的核心问题
• 删除重复的无效GET请求，新增超时设置避免请求长时间卡死
• 增加多层校验逻辑：先判断HTTP请求是否成功，再判断返回内容是否符合zip文件头特征，从源头避免把错误内容传给ZipFile
• 新增异常捕获逻辑，单个文件下载失败、损坏时不会中断整个批量处理流程
• 修复变量名冲突问题，明确区分压缩包文件名和压缩包内部存储的文件名
• 增加处理进度打印，方便快速定位异常文件

内容的提问来源于stack exchange，提问作者Yuri HF