¿La mejor manera de convertir una URL Unicode a ASCII (UTF-8 por ciento escapado) en Python?

Question

Me pregunto cuál es la mejor manera, o si existe una forma simple con la biblioteca estándar, para convertir una URL con caracteres Unicode en el nombre de dominio y la ruta a la URL ASCII equivalente, codificada con dominio como IDNA y la ruta codificada en%, según RFC 3986.

Recibo del usuario una URL en UTF-8. Entonces, si escribieron http: // & # 10145; .ws / & # 9829; obtengo 'http: // \ xe2 \ x9e \ xa1.ws/ \ xe2 \ x99 \ xa5 ' en Python. Y lo que quiero es la versión ASCII: 'http://xn--hgi.ws/%E2%99%A5' .

Lo que hago en este momento es dividir la URL en partes a través de una expresión regular, y luego codificar IDNA manualmente el dominio, y codificar por separado la ruta y la cadena de consulta con diferentes urllib.quote () llamadas.

# url is UTF-8 here, eg: url = u'http://➡.ws/㉌'.encode('utf-8')
match = re.match(r'([a-z]{3,5})://(.+\.[a-z0-9]{1,6})'
                 r'(:\d{1,5})?(/.*?)(\?.*)?

 ¿Es esto correcto? ¿Alguna sugerencia mejor? ¿Existe una función simple de biblioteca estándar para hacer esto? 
, url, flags=re.I)
if not match:
    raise BadURLException(url)
protocol, domain, port, path, query = match.groups()

try:
    domain = unicode(domain, 'utf-8')
except UnicodeDecodeError:
    return ''  # bad UTF-8 chars in domain
domain = domain.encode('idna')

if port is None:
    port = ''

path = urllib.quote(path)

if query is None:
    query = ''
else:
    query = urllib.quote(query, safe='=&?/')

url = protocol + '://' + domain + port + path + query
# url is ASCII here, eg: url = 'http://xn--hgi.ws/%E3%89%8C'

¿Es esto correcto? ¿Alguna sugerencia mejor? ¿Existe una función simple de biblioteca estándar para hacer esto?

Answer 1

Código:

import urlparse, urllib

def fixurl(url):
    # turn string into unicode
    if not isinstance(url,unicode):
        url = url.decode('utf8')

    # parse it
    parsed = urlparse.urlsplit(url)

    # divide the netloc further
    userpass,at,hostport = parsed.netloc.rpartition('@')
    user,colon1,pass_ = userpass.partition(':')
    host,colon2,port = hostport.partition(':')

    # encode each component
    scheme = parsed.scheme.encode('utf8')
    user = urllib.quote(user.encode('utf8'))
    colon1 = colon1.encode('utf8')
    pass_ = urllib.quote(pass_.encode('utf8'))
    at = at.encode('utf8')
    host = host.encode('idna')
    colon2 = colon2.encode('utf8')
    port = port.encode('utf8')
    path = '/'.join(  # could be encoded slashes!
        urllib.quote(urllib.unquote(pce).encode('utf8'),'')
        for pce in parsed.path.split('/')
    )
    query = urllib.quote(urllib.unquote(parsed.query).encode('utf8'),'=&?/')
    fragment = urllib.quote(urllib.unquote(parsed.fragment).encode('utf8'))

    # put it back together
    netloc = ''.join((user,colon1,pass_,at,host,colon2,port))
    return urlparse.urlunsplit((scheme,netloc,path,query,fragment))

print fixurl('http://\xe2\x9e\xa1.ws/\xe2\x99\xa5')
print fixurl('http://\xe2\x9e\xa1.ws/\xe2\x99\xa5/%2F')
print fixurl(u'http://Åsa:abc123@➡.ws:81/admin')
print fixurl(u'http://➡.ws/admin')

Salida:

  

http://xn--hgi.ws/%E2%99%A5
   http://xn--hgi.ws/%E2%99%A5/%2F
   http: //% C3% 85sa: abc123@xn--hgi.ws: 81 / admin
  http://xn--hgi.ws/admin

Leer más:

• urllib.quote ()
• urlparse.urlparse ()
• urlparse.urlunparse ()
• urlparse.urlsplit ()
• urlparse.urlunsplit ()

Ediciones:

• Se corrigió el caso de los caracteres ya citados en la cadena.
• Cambió urlparse / urlunparse a urlsplit / urlunsplit .
• No codifique la información de usuario y puerto con el nombre de host. (Gracias Jehiah)
• Cuando " @ " falta, no trate el host / puerto como usuario / pase! (Gracias hupf)

Answer 2

el código proporcionado por MizardX no es 100% correcto. Este ejemplo no funcionará:

example.com/folder/?page=2

consulte django.utils.encoding.iri_to_uri () para convertir la URL unicode en URL ASCII.

http://docs.djangoproject.com/en/dev/ref/unicode /

Answer 3

hay algún RFC-3896 url parsing trabajo en curso (por ejemplo, como parte del Summer Of Code) pero nada en la biblioteca estándar todavía AFAIK - y nada más en la codificación uri lado de las cosas tampoco, de nuevo AFAIK. Por lo tanto, también puede ir con el enfoque elegante de MizardX.

Answer 4

De acuerdo, con estos comentarios y algunas correcciones de errores en mi propio código (no manejó fragmentos en absoluto), se me ocurrió la siguiente función canonurl () : devuelve Una forma ASCII canónica de la URL:

import re
import urllib
import urlparse

def canonurl(url):
    r"""Return the canonical, ASCII-encoded form of a UTF-8 encoded URL, or ''
    if the URL looks invalid.

    >>> canonurl('    ')
    ''
    >>> canonurl('www.google.com')
    'http://www.google.com/'
    >>> canonurl('bad-utf8.com/path\xff/file')
    ''
    >>> canonurl('svn://blah.com/path/file')
    'svn://blah.com/path/file'
    >>> canonurl('1234://badscheme.com')
    ''
    >>> canonurl('bad$scheme://google.com')
    ''
    >>> canonurl('site.badtopleveldomain')
    ''
    >>> canonurl('site.com:badport')
    ''
    >>> canonurl('http://123.24.8.240/blah')
    'http://123.24.8.240/blah'
    >>> canonurl('http://123.24.8.240:1234/blah?q#f')
    'http://123.24.8.240:1234/blah?q#f'
    >>> canonurl('\xe2\x9e\xa1.ws')  # tinyarro.ws
    'http://xn--hgi.ws/'
    >>> canonurl('  http://www.google.com:80/path/file;params?query#fragment  ')
    'http://www.google.com:80/path/file;params?query#fragment'
    >>> canonurl('http://\xe2\x9e\xa1.ws/\xe2\x99\xa5')
    'http://xn--hgi.ws/%E2%99%A5'
    >>> canonurl('http://\xe2\x9e\xa1.ws/\xe2\x99\xa5/pa%2Fth')
    'http://xn--hgi.ws/%E2%99%A5/pa/th'
    >>> canonurl('http://\xe2\x9e\xa1.ws/\xe2\x99\xa5/pa%2Fth;par%2Fams?que%2Fry=a&b=c')
    'http://xn--hgi.ws/%E2%99%A5/pa/th;par/ams?que/ry=a&b=c'
    >>> canonurl('http://\xe2\x9e\xa1.ws/\xe2\x99\xa5?\xe2\x99\xa5#\xe2\x99\xa5')
    'http://xn--hgi.ws/%E2%99%A5?%E2%99%A5#%E2%99%A5'
    >>> canonurl('http://\xe2\x9e\xa1.ws/%e2%99%a5?%E2%99%A5#%E2%99%A5')
    'http://xn--hgi.ws/%E2%99%A5?%E2%99%A5#%E2%99%A5'
    >>> canonurl('http://badutf8pcokay.com/%FF?%FE#%FF')
    'http://badutf8pcokay.com/%FF?%FE#%FF'
    >>> len(canonurl('google.com/' + 'a' * 16384))
    4096
    """
    # strip spaces at the ends and ensure it's prefixed with 'scheme://'
    url = url.strip()
    if not url:
        return ''
    if not urlparse.urlsplit(url).scheme:
        url = 'http://' + url

    # turn it into Unicode
    try:
        url = unicode(url, 'utf-8')
    except UnicodeDecodeError:
        return ''  # bad UTF-8 chars in URL

    # parse the URL into its components
    parsed = urlparse.urlsplit(url)
    scheme, netloc, path, query, fragment = parsed

    # ensure scheme is a letter followed by letters, digits, and '+-.' chars
    if not re.match(r'[a-z][-+.a-z0-9]*, scheme, flags=re.I):
        return ''
    scheme = str(scheme)

    # ensure domain and port are valid, eg: sub.domain.<1-to-6-TLD-chars>[:port]
    match = re.match(r'(.+\.[a-z0-9]{1,6})(:\d{1,5})?, netloc, flags=re.I)
    if not match:
        return ''
    domain, port = match.groups()
    netloc = domain + (port if port else '')
    netloc = netloc.encode('idna')

    # ensure path is valid and convert Unicode chars to %-encoded
    if not path:
        path = '/'  # eg: 'http://google.com' -> 'http://google.com/'
    path = urllib.quote(urllib.unquote(path.encode('utf-8')), safe='/;')

    # ensure query is valid
    query = urllib.quote(urllib.unquote(query.encode('utf-8')), safe='=&?/')

    # ensure fragment is valid
    fragment = urllib.quote(urllib.unquote(fragment.encode('utf-8')))

    # piece it all back together, truncating it to a maximum of 4KB
    url = urlparse.urlunsplit((scheme, netloc, path, query, fragment))
    return url[:4096]

if __name__ == '__main__':
    import doctest
    doctest.testmod()

Answer 5

Puede usar urlparse.urlsplit en cambio, pero por lo demás parece que tienes una solución muy sencilla, allí.

protocol, domain, path, query, fragment = urlparse.urlsplit(url)

(Puede acceder al dominio y al puerto por separado accediendo a las propiedades nombradas del valor devuelto, pero como la sintaxis del puerto está siempre en ASCII, no se ve afectado por el proceso de codificación IDNA).