如何在python中取消引用urlencoded unicode字符串？

Question

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。

Answer 1

％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'

Answer 2

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)

Answer 3

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

Answer 4

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

Answer 5

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）。