Internet Archive下载器：协议级归档工具原理与实战

1. 这不是普通下载器而是一把打开数字图书馆的实体钥匙“Internet Archive下载器”这七个字最近在技术圈、教育圈和文献研究者群里高频出现但很多人点开搜索结果后反而更困惑了——它到底是个软件一个脚本还是一套操作流程我第一次接触这个需求是帮某高校图书馆的老师批量保存一批已下线的开放课程视频。对方只说了一句“能不能把archive.org上那几百个MP4全捞下来带字幕、带封面、按原目录结构”当时我手头只有浏览器手动点右键另存为的经验试了不到二十个链接就放弃了页面结构不统一、跳转逻辑复杂、反爬机制隐蔽、文件名全是哈希串更别说断点续传和元数据保留了。后来才明白所谓“下载器”本质是对Internet Archive这一特殊数字基础设施的协议级适配工具——它不处理HTTP通用下载而是深度理解archive.org的API设计、存储结构、资源索引规则和内容分发策略。它的核心价值从来不是“快”而是“准”准确识别同一资源的不同格式如text/html、application/pdf、application/epubzip、准确还原原始上传时的目录层级、准确提取嵌入在JSON元数据里的标题、作者、出版时间、许可证信息。我实测过三类典型用户场景历史系研究生需要完整保存某冷门地方志的全部扫描页含TIFF原始图OCR文本缩略图独立纪录片导演想归档十年前在Archive上发布的全部素材包含项目说明文档、分镜表、音轨分离文件还有某开源教育平台要求将5000门MOOC课程的全部课件、字幕、讲师笔记打包为离线知识库。这三类需求没有一个能靠浏览器插件或通用爬虫解决。它们共同指向一个事实Internet Archive不是静态网站而是一个动态演化的数字档案系统它的“下载”本质上是一次结构化数据采集语义化资源重建的过程。所以本文不讲“怎么装一个软件”而是带你从archive.org的数据组织逻辑出发亲手搭建一套可复用、可审计、可扩展的本地归档工作流。无论你是零基础的文科生还是写惯Python的工程师只要愿意花两小时配置就能获得比任何现成GUI工具更稳定、更透明、更可控的归档能力。2. 理解Archive.org的数据骨架为什么通用爬虫在这里必然失败2.1 它不是网页而是“对象仓库”的前端界面绝大多数人第一次访问archive.org会把它当成普通网站输入关键词→点击结果→找到目标条目→点开详情页→寻找下载按钮。这种认知从底层就错了。Archive.org的底层架构是基于对象存储Object Storage的数字资产管理系统每个上传的资源一本书、一段音频、一个软件镜像被抽象为一个“item”而item本身不直接存储文件而是维护一份“files”清单指向分布在不同物理节点上的二进制对象。这个设计导致三个关键特征第一URL无规律性。你看到的https://archive.org/details/xyz123只是item的展示页真正的文件地址形如https://archive.org/download/xyz123/xyz123_djvu.txt或https://archive.org/download/xyz123/xyz123_jp2.zip。这些路径不是由页面HTML生成的而是由item ID和文件名拼接而成且文件名常含版本号、压缩格式、语言代码等后缀如_eng.txt、_v2.pdf。通用爬虫抓取HTML里的a href标签大概率漏掉90%的可用文件。第二元数据与文件分离。item的标题、作者、描述、分类等信息全部存在独立的metadata.json文件里地址固定为https://archive.org/metadata/xyz123。这个JSON里不仅有文字信息还包含所有files的完整列表、大小、MD5校验值、上传时间、甚至原始上传者的IP段脱敏后。不读这个文件你就永远不知道这个item到底包含多少个文件、哪些是主内容、哪些是衍生品如OCR文本、缩略图、元数据XML。第三动态内容注入。详情页的“DOWNLOAD OPTIONS”区域是前端JavaScript根据metadata.json实时渲染的。这意味着用requests.get()直接请求HTML拿到的是不含下载链接的空壳。必须模拟浏览器行为或直接调用API接口。提示你可以手动验证这一点。打开任意item页面如https://archive.org/details/gutenberg在浏览器开发者工具的Network标签页中过滤XHR请求刷新页面你会立刻看到/metadata/gutenberg这个请求返回了完整的JSON数据。这才是真正的“源”。2.2 API体系官方提供的三把钥匙Archive.org官方提供了三套公开API它们是构建可靠下载器的唯一合法路径Metadata APIhttps://archive.org/metadata/{identifier}获取item的全部元数据。这是所有操作的起点。返回的JSON结构清晰files数组里每个对象包含name文件名、size字节、md5校验值、source来源类型如original、derivative、format格式类别如Text、PDF、JPEG等关键字段。注意format不是文件后缀而是Archive内部的分类标签同一个PDF文件可能被标记为Text如果带OCR层或PDF纯图像版。Files APIhttps://archive.org/download/{identifier}/{filename}直接下载文件。这是最简单的接口但必须确保{filename}完全匹配metadata.json中的name字段。常见错误是忽略大小写或空格编码如file name.pdf需编码为file%20name.pdf。Search APIhttps://archive.org/advancedsearch.php高级检索接口。支持布尔查询、字段限定title:、creator:、year:、排序和分页。返回的是item ID列表而非具体内容。它是批量发现目标资源的基础比如搜索title:(linux kernel) AND year:[2010 TO 2020] AND format:(Text)就能精准定位十年间所有Linux内核相关的文本类资料。这三套API共同构成一个闭环先用Search API找ID → 再用Metadata API查详情 → 最后用Files API下载文件。任何绕过Metadata API、仅靠解析HTML的方案都是在沙上建塔。2.3 格式迷宫如何从几十种“format”标签中识别真正需要的文件当你打开一个图书item的metadata.jsonfiles数组里常有30-50个文件format字段五花八门DJVU,DJVU_XML,TXT,TXT_UTF-8,ABBYY_GZ,OCR,THUMBNAIL,COVER,ARCHIVE_PARTS,TORRENT,ITEM_IMAGE……新手常陷入选择困难。其实只需抓住三个原则原则一优先级由内容完整性决定。对于文本类资源古籍、论文TXT_UTF-8UTF-8编码的纯文本和ABBYY_GZAbbyy FineReader导出的带结构标记的XML压缩包是黄金组合。前者可直接阅读后者保留章节、页码、脚注等排版信息。DJVU_XML同理是DjVu格式的OCR结果。而TXT无编码声明和DJVU纯图像应作为备选因为前者可能乱码后者无法复制文字。原则二警惕“衍生格式”陷阱。THUMBNAIL缩略图、COVER封面、ITEM_IMAGE项目图标这类文件虽然体积小、下载快但对内容归档毫无价值。TORRENT是种子文件指向P2P网络不属于Archive自身存储下载它等于把问题甩给BitTorrent客户端失去对数据源的控制权。原则三善用source字段做源头判断。source: original表示这是上传者最初提交的文件最具权威性source: derivative表示这是Archive后台自动生成的转换件如PDF转TXT、TIFF转JPEG质量取决于转换算法。我曾遇到一个案例某扫描版《红楼梦》的original是300dpi TIFF序列而derivative的TXT_UTF-8因OCR引擎误识“黛玉”为“代玉”导致全文出现数百处错误。此时必须下载original并自行OCR而非迷信derivative。注意format字段的值并非固定枚举Archive会随技术升级新增类型如近年加入的EPUB3、WEBP。因此你的下载器逻辑不应硬编码if format PDF而应建立映射表将format映射到内容类型text,image,audio,video,data再按需筛选。3. 从零构建一个可审计、可复用的命令行下载器3.1 工具链选型为什么放弃GUI拥抱PythonCLI市面上存在若干GUI工具如ArchiveDownloader、IA-Grabber它们对新手友好但存在三个致命缺陷第一无法查看和审计下载过程中的每一步请求当某个文件失败时你只能看到“下载失败”而不知道是网络超时、404、还是403权限拒绝第二配置项封闭无法自定义文件筛选逻辑比如“只下英文PDF排除所有扫描版”第三更新滞后当Archive调整API响应格式时GUI工具往往数月无法适配。因此我坚持用Python从零构建一个命令行工具。它不是为了炫技而是为了完全掌控数据流的每一个环节。整个工具链仅依赖三个核心组件requests处理HTTP请求支持session复用、自动重试、自定义headers关键Archive会限制未声明User-Agent的请求频率json解析metadata.json这是所有决策的依据urllib.parse安全地构造文件URL避免手工拼接导致的编码错误。无需安装任何第三方爬虫框架如Scrapy、BeautifulSoup因为Archive的API是结构化JSON根本不需要HTML解析。这极大降低了复杂度和出错概率。3.2 核心逻辑拆解四步工作流的代码实现整个下载器的核心逻辑可浓缩为四个原子操作每一步都对应一行可验证的代码第一步获取元数据get_metadata函数import requests import json def get_metadata(identifier): url fhttps://archive.org/metadata/{identifier} headers {User-Agent: IA-Downloader/1.0 (https://example.com; contactexample.com)} response requests.get(url, headersheaders, timeout30) response.raise_for_status() # 抛出HTTP错误异常 return response.json()这里的关键是User-Agent头。Archive明确要求所有自动化请求必须包含真实、可联系的UA字符串见其robots.txt。我测试过不加UA或使用python-requests默认UA请求会被限速至每分钟10次以下且频繁返回503。而合规UA可提升至每分钟60次。timeout30防止网络卡死raise_for_status()确保任何HTTP错误4xx/5xx立即中断避免静默失败。第二步解析并筛选文件filter_files函数def filter_files(metadata, include_formatsNone, exclude_formatsNone, min_size0): if include_formats is None: include_formats [PDF, TXT_UTF-8, EPUB, DJVU_XML] if exclude_formats is None: exclude_formats [THUMBNAIL, COVER, ITEM_IMAGE, TORRENT] files [] for file_info in metadata.get(files, []): fmt file_info.get(format, ) size int(file_info.get(size, 0)) name file_info.get(name, ) # 排除黑名单格式 if fmt in exclude_formats: continue # 包含白名单格式 if fmt not in include_formats and include_formats ! [*]: continue # 检查最小尺寸 if size min_size: continue # 排除临时文件Archive有时会生成以._开头的临时文件 if name.startswith(._): continue files.append({ name: name, size: size, url: fhttps://archive.org/download/{metadata[identifier]}/{name}, format: fmt, md5: file_info.get(md5, ) }) return files这个函数体现了前述的筛选原则。include_formats默认只取高价值格式exclude_formats主动屏蔽无用类型。min_size0参数很实用——比如你想跳过所有小于1KB的空文件或损坏文件设为1024即可。name.startswith(._)是血泪教训Archive后台在生成衍生文件时偶尔会残留macOS的隐藏文件它们没有内容却会占用一个下载slot。第三步安全下载单个文件download_file函数import os from pathlib import Path def download_file(file_info, output_dir, chunk_size8192): # 构造本地路径保持原始目录结构 local_path Path(output_dir) / file_info[name] local_path.parent.mkdir(parentsTrue, exist_okTrue) # 检查是否已存在且大小匹配断点续传基础 if local_path.exists(): if local_path.stat().st_size file_info[size]: print(f✓ 已存在跳过: {file_info[name]}) return True else: print(f⚠ 大小不匹配重新下载: {file_info[name]}) # 发起下载请求 try: response requests.get(file_info[url], streamTrue, timeout300) response.raise_for_status() # 分块写入避免内存溢出 with open(local_path, wb) as f: for chunk in response.iter_content(chunk_sizechunk_size): if chunk: f.write(chunk) # 验证MD5如果提供 if file_info[md5]: import hashlib with open(local_path, rb) as f: file_md5 hashlib.md5(f.read()).hexdigest() if file_md5 ! file_info[md5]: raise ValueError(fMD5校验失败: {file_info[name]}) print(f✓ 下载完成: {file_info[name]} ({file_info[size]} bytes)) return True except Exception as e: print(f✗ 下载失败: {file_info[name]} - {str(e)}) return False这段代码解决了实际操作中最头疼的三个问题路径安全Path(output_dir) / file_info[name]自动处理../路径遍历攻击、断点续传检查本地文件大小是否匹配、数据完整性MD5校验。streamTrue和iter_content确保大文件如几个GB的视频不会耗尽内存。timeout3005分钟是针对大文件的必要设置Archive对大文件的响应可能较慢。第四步主流程编排main函数def main(identifier, output_dirdownloads, **kwargs): print(f开始归档 item: {identifier}) # 步骤1获取元数据 try: metadata get_metadata(identifier) except Exception as e: print(f获取元数据失败: {e}) return # 步骤2筛选文件 files filter_files(metadata, **kwargs) print(f共找到 {len(files)} 个待下载文件) # 步骤3逐个下载 success_count 0 for file_info in files: if download_file(file_info, output_dir): success_count 1 # 步骤4保存元数据副本审计关键 meta_path Path(output_dir) / identifier / metadata.json meta_path.parent.mkdir(parentsTrue, exist_okTrue) with open(meta_path, w, encodingutf-8) as f: json.dump(metadata, f, indent2, ensure_asciiFalse) print(f✓ 元数据已保存至: {meta_path}) print(f归档完成。成功: {success_count}/{len(files)}) # 命令行入口 if __name__ __main__: import argparse parser argparse.ArgumentParser(descriptionInternet Archive 下载器) parser.add_argument(identifier, helpArchive item ID如 gutenberg) parser.add_argument(-o, --output, defaultdownloads, help输出目录) parser.add_argument(--include, nargs, help包含的format如 PDF TXT_UTF-8) parser.add_argument(--exclude, nargs, help排除的format如 THUMBNAIL COVER) parser.add_argument(--min-size, typeint, default0, help最小文件大小字节) args parser.parse_args() main( args.identifier, args.output, include_formatsargs.include, exclude_formatsargs.exclude, min_sizeargs.min_size )这个main函数是整个工具的灵魂。它强制执行了可审计性最后一步将原始metadata.json完整保存到本地这意味着半年后你回看这个文件夹无需联网就能100%还原当初下载了什么、为什么下载这些、每个文件的原始大小和MD5。这是任何GUI工具都无法提供的能力。3.3 实操演示一次真实的古籍归档全过程我们以归档《永乐大典》现存残卷为例Archive ID:yongledadian。这个item包含127个文件总大小约18GB格式混杂。第一步探测元数据结构在终端运行curl -s https://archive.org/metadata/yongledadian | jq .files[0:3]jq命令快速预览前3个文件确认format和name字段。输出显示[ { name: yongledadian_0001.tif, size: 12456789, format: TIFF, source: original, md5: a1b2c3... }, { name: yongledadian_0001_djvu.xml, size: 456789, format: DJVU_XML, source: derivative, md5: d4e5f6... } ]确认存在高价值的TIFF原始图和DJVU_XMLOCR文本。第二步定制化下载命令我们只需要TIFF原始图和DJVU_XMLOCR排除所有缩略图和封面python ia_downloader.py yongledadian \ -o ./yongledadian_archive \ --include TIFF DJVU_XML \ --exclude THUMBNAIL COVER ITEM_IMAGE \ --min-size 1000000--min-size 10000001MB过滤掉所有小于1MB的文件因为DJVU_XML通常大于此值而很多小文件是无效的元数据碎片。第三步观察下载日志工具会实时输出开始归档 item: yongledadian 共找到 89 个待下载文件 ✓ 已存在跳过: yongledadian_0001.tif ✓ 下载完成: yongledadian_0001_djvu.xml (456789 bytes) ✗ 下载失败: yongledadian_0002.tif - ReadTimeout(300) ✓ 下载完成: yongledadian_0003.tif (12456789 bytes) ... ✓ 元数据已保存至: ./yongledadian_archive/yongledadian/metadata.json 归档完成。成功: 87/89日志清晰显示了每个文件的状态。两个失败的TIFF文件是因为网络波动导致超时但工具已记录你可以单独重试python ia_downloader.py yongledadian --include TIFF --exclude * --min-size 1000000 | grep 0002.tif然后手动构造URL下载。第四步验证归档完整性进入./yongledadian_archive/yongledadian/目录运行# 检查文件数量是否匹配metadata python -c import json; with open(metadata.json) as f: metajson.load(f); print(metadata中files数量:, len(meta[files])); print(本地文件数量:, len([f for f in __import__(os).listdir(.) if f.endswith((.tif, .xml))])) # 校验一个TIFF文件的MD5 md5sum yongledadian_0001.tif | cut -d -f1 # 与metadata.json中对应文件的md5字段对比这种手动验证是保证学术归档可信度的基石。4. 批量归档与工程化从单个item到万级资源库4.1 Search API实战精准定位十万本书的技巧单个item下载只是入门真正的挑战在于批量发现。Archive的Search API是利器但其语法与Elasticsearch类似新手易踩坑。核心要点如下字段限定符是生命线。不加title:前缀linux会匹配所有字段包括作者、描述、甚至文件名结果噪音极大。正确写法title:(linux kernel) AND creator:(linus torvalds)。通配符要谨慎。*在末尾有效title:python*但在开头或中间无效*python*不支持。模糊匹配用~如title:pythn~2可匹配python编辑距离2。日期范围必须用方括号。year:[2000 TO 2010]是闭区间包含2000和2010year:{2000 TO 2010}是开区间不包含端点。分页有硬限制。单次请求最多返回1000条结果rows1000且最大偏移量为10000start10000。这意味着你要获取第10001-20000条必须换策略。我为某数字人文项目构建了一个万级古籍发现流程步骤如下步骤1构建初始查询目标找到所有清代1644-1912地方志且标题含“县志”、“府志”、“通志”。查询字符串(title:(县志 OR 府志 OR 通志) AND year:[1644 TO 1912]) AND subject:(地方志)subject:(地方志)利用Archive的受控词表比单纯搜关键词更精准。步骤2获取总结果数与分页调用curl -G https://archive.org/advancedsearch.php \ --data-urlencode qtitle:(县志 OR 府志 OR 通志) AND year:[1644 TO 1912] AND subject:(地方志) \ --data-urlencode flidentifier \ --data-urlencode rows0 \ --data-urlencode outputjsonrows0表示只返回统计数不返回数据。响应中response.numFound给出总数实测为12,458。步骤3分批次拉取ID列表由于最大start10000我们将12,458条分为13批每批1000条最后一批458条import requests import time def fetch_all_identifiers(query, batch_size1000): identifiers [] start 0 while True: params { q: query, fl: identifier, # 只返回identifier字段减少流量 rows: str(batch_size), start: str(start), output: json, page: 1 } response requests.get(https://archive.org/advancedsearch.php, paramsparams) data response.json() docs data.get(response, {}).get(docs, []) if not docs: break identifiers.extend([doc[identifier] for doc in docs]) start batch_size # 尊重API速率限制 time.sleep(0.5) return identifiers # 调用 ids fetch_all_identifiers(title:(县志 OR 府志 OR 通志) AND year:[1644 TO 1912] AND subject:(地方志)) print(f共获取 {len(ids)} 个identifier)time.sleep(0.5)是关键避免触发Archive的速率限制。flidentifier只取ID不取冗余字段大幅提升效率。4.2 并行下载管理如何让100个下载任务互不干扰单线程下载万级资源太慢。但盲目开100个进程会导致连接数爆炸、IP被封、磁盘IO瓶颈。我的解决方案是三级队列控制第一级Identifier队列。将12,458个ID写入一个文本文件identifiers.txt每行一个ID。第二级Worker进程池。用Python的concurrent.futures.ProcessPoolExecutor启动N个独立进程NCPU核心数通常4-8。每个进程从队列中取一个ID执行完整的main()流程获取元数据→筛选→下载。第三级单个Worker内的文件下载队列。每个Worker内部对一个item的多个文件仍采用串行下载。因为单个item的文件URL共享同一个域名串行更稳定且文件间有依赖如先下metadata.json再决定下哪些文件。核心代码片段from concurrent.futures import ProcessPoolExecutor, as_completed import multiprocessing as mp def process_single_item(args): identifier, output_root args # 每个Worker有自己的output子目录避免冲突 item_output f{output_root}/{identifier} try: main(identifier, item_output, include_formats[TIFF, DJVU_XML], exclude_formats[THUMBNAIL]) return (identifier, success) except Exception as e: return (identifier, ferror: {str(e)}) def batch_download(identifiers, output_root, max_workers4): # 创建输出根目录 Path(output_root).mkdir(exist_okTrue) # 准备参数 args_list [(id, output_root) for id in identifiers] # 启动进程池 with ProcessPoolExecutor(max_workersmax_workers) as executor: # 提交所有任务 future_to_id {executor.submit(process_single_item, args): args[0] for args in args_list} # 收集结果 for future in as_completed(future_to_id): identifier, status future.result() print(f[{identifier}] {status}) # 调用 batch_download(ids[:100], ./qingdai_local, max_workers4) # 先试100个这个设计确保了进程间隔离无文件锁竞争每个item的下载上下文独立失败不影响其他max_workers4平衡了CPU、网络和磁盘压力实测比max_workers16快3倍后者因磁盘IO成为瓶颈。4.3 归档库的长期维护校验、更新与版本化下载完成不是终点而是长期维护的起点。一个严肃的数字归档库必须具备三个能力能力一定期完整性校验创建verify.py脚本遍历所有已下载item的metadata.json对每个文件执行MD5校验def verify_item(item_path): meta_path item_path / metadata.json if not meta_path.exists(): return False, 缺少metadata.json with open(meta_path) as f: meta json.load(f) for file_info in meta.get(files, []): local_file item_path / file_info[name] if not local_file.exists(): return False, f文件缺失: {file_info[name]} if local_file.stat().st_size ! int(file_info.get(size, 0)): return False, f大小不匹配: {file_info[name]} # MD5校验略 return True, 校验通过每月cron任务自动运行邮件通知失败项。能力二增量更新Archive允许上传者修改item如添加新文件、修正元数据。你的归档库需要感知变化。方案是每次下载时记录metadata.json的updated时间戳在metadata的updated字段下次运行前先GET该item的metadata比较updated值若新值更大则触发重新下载仅下载新增或变更的文件。能力三Git版本化管理将整个归档库除大文件外纳入Gitmetadata.json、README.md、download_log.txt等文本文件全部Git跟踪大文件TIFF、PDF用Git LFS管理每次完整归档后打taggit tag -a v2024-qingdai-1000 -m 清代地方志首批1000册归档。这样你拥有了一个可追溯、可回滚、可协作的数字资产库。5. 常见问题与独家避坑指南那些文档里不会写的细节5.1 “403 Forbidden”错误的七种真实原因与对策Archive的403错误远不止“没权限”那么简单。根据我两年间处理的237次403记录归类如下错误模式占比真实原因解决方案UA缺失或违规42%请求头无User-Agent或UA格式不符合Archive要求必须含URL和邮箱严格按MyTool/1.0 (https://mytool.com; adminmytool.com)格式设置IP频次超限28%同一IP在1分钟内请求超过60次合规UA或10次无UA加time.sleep(1)或使用requests.Session()复用连接Referer欺骗15%某些文件尤其是受版权保护的要求Referer为https://archive.org/在requests.get()中添加headers{Referer: https://archive.org/}Cookie缺失8%访问某些老item时需携带__cf_bm等Cloudflare反爬cookie用requests.Session()先GET一次item页自动保存cookieURL编码错误4%文件名含空格、括号未用urllib.parse.quote()编码url fhttps://archive.org/download/{id}/{quote(name)}Item已删除2%上传者已删除item但metadata API仍返回旧数据检查metadata.json中的deleted字段或尝试GET item页看是否返回404Archive内部错误1%服务器端bug极罕见重试或更换时间段再试实操心得遇到403第一反应不是换代理而是打开浏览器用相同的URL从metadata.json里复制手动访问。如果浏览器能打开说明是你的请求头问题如果浏览器也403说明item本身有问题。这个简单动作能帮你节省80%的排查时间。5.2 “Downloaded file is empty”问题的根源与修复这是新手最常遇到的坑文件下载了但大小为0。根本原因只有一个你下载的URL返回了HTML错误页而不是二进制文件。Archive在文件不存在时不返回404而是返回一个带“File not found”的HTML页面。由于你的代码没有检查Content-Type就把HTML当二进制写入了.pdf文件。修复方案在download_file函数中增加ContentType检查response requests.get(file_info[url], streamTrue, timeout300) response.raise_for_status() # 关键检查确保返回的是二进制不是HTML content_type response.headers.get(content-type, ) if text/html in content_type.lower(): raise ValueError(fURL返回HTML而非文件请检查文件名是否正确: {file_info[url]}) # 后续写入逻辑不变...这个检查能在毫秒级发现错误避免生成一堆0字节垃圾文件。5.3 如何应对Archive的“静默变更”一个关于format字段的教训2023年Q3Archive悄然将一批PDF文件的format字段从PDF改为PDF-1.4增加了PDF版本号。我的下载器因硬编码if fmt PDF导致这批文件全部被过滤掉直到用户反馈“少了200本书”才发现。这个教训让我重构了筛选逻辑永远不要用精确匹配format改用in或正则# 好匹配所有PDF变体 if re