我有一个像“Tanım”这样的unicode字符串,它以某种方式被编码为“Tan%u0131m”。如何将此编码的字符串转换回原始的unicode。显然urllib.unquote不支持unicode。
%uXXXX是一个被w3c拒绝的non-standard encoding scheme,尽管实现在JavaScript领域继续存在。
更常见的技术似乎是UTF-8编码字符串,然后%%使用%XX转义结果字节。 urllib.unquote支持此方案:
>>> urllib2.unquote("%0a")
'\n'
不幸的是,如果你真的需要支持%uXXXX,你可能不得不推出自己的解码器。否则,简单地UTF-8编码你的unicode然后%转义结果字节可能更为可取。
一个更完整的例子:
>>> u"Tanım"
u'Tan\u0131m'
>>> url = urllib.quote(u"Tanım".encode('utf8'))
>>> urllib.unquote(url).decode('utf8')
u'Tan\u0131m'
def unquote(text):
def unicode_unquoter(match):
return unichr(int(match.group(1),16))
return re.sub(r'%u([0-9a-fA-F]{4})',unicode_unquoter,text)
如果你绝对必须这样做,我会这样做(我真的同意“非标准”的呼声):
from urllib import unquote
def unquote_u(source):
result = unquote(source)
if '%u' in result:
result = result.replace('%u','\\u').decode('unicode_escape')
return result
print unquote_u('Tan%u0131m')
> Tanım
上面的版本中有一个错误,当字符串中同时包含ascii编码和unicode编码字符时,它会发生故障。我认为它特别是当除了unicode之外还有来自上部128范围的字符,如'\ xab'。
例如。 “%5B%AB%u03E1%BB%5D”导致此错误。
我发现如果你先做了unicode,问题就消失了:
def unquote_u(source):
result = source
if '%u' in result:
result = result.replace('%u','\\u').decode('unicode_escape')
result = unquote(result)
return result
您有一个使用non-standard encoding scheme的URL,被标准机构拒绝但仍由某些编码器生成。 Python urllib.parse.unquote()
函数无法处理这些。
幸运的是,创建自己的解码器并不难。 %uhhhh
条目在这里是UTF-16代码点,所以我们需要考虑surrogate pairs。我也看到混合了%hh
代码点,增加了混乱。
考虑到这一点,这里有一个解码器,它可以在Python 2和Python 3中工作,前提是你在Python 3中传入一个str
对象(Python 2更少关注):
try:
# Python 3
from urllib.parse import unquote
unichr = chr
except ImportError:
# Python 2
from urllib import unquote
def unquote_unicode(string, _cache={}):
string = unquote(string) # handle two-digit %hh components first
parts = string.split(u'%u')
if len(parts) == 1:
return parts
r = [parts[0]]
append = r.append
for part in parts[1:]:
try:
digits = part[:4].lower()
if len(digits) < 4:
raise ValueError
ch = _cache.get(digits)
if ch is None:
ch = _cache[digits] = unichr(int(digits, 16))
if (
not r[-1] and
u'\uDC00' <= ch <= u'\uDFFF' and
u'\uD800' <= r[-2] <= u'\uDBFF'
):
# UTF-16 surrogate pair, replace with single non-BMP codepoint
r[-2] = (r[-2] + ch).encode(
'utf-16', 'surrogatepass').decode('utf-16')
else:
append(ch)
append(part[4:])
except ValueError:
append(u'%u')
append(part)
return u''.join(r)
该功能深受current standard-library implementation的启发。
演示:
>>> print(unquote_unicode('Tan%u0131m'))
Tanım
>>> print(unquote_unicode('%u05D0%u05D9%u05DA%20%u05DE%u05DE%u05D9%u05E8%u05D9%u05DD%20%u05D0%u05EA%20%u05D4%u05D8%u05E7%u05E1%u05D8%20%u05D4%u05D6%u05D4'))
איך ממירים את הטקסט הזה
>>> print(unquote_unicode('%ud83c%udfd6')) # surrogate pair
🏖
>>> print(unquote_unicode('%ufoobar%u666')) # incomplete
%ufoobar%u666
该函数适用于Python 2(在2.4 - 2.7上测试)和Python 3(在3.3 - 3.8上测试)。