Pythonでurlencoded unicode文字列の引用を解除するにはどうすればよいですか？

Question

＆quot;Tanım＆quot;のようなUnicode文字列があります。 「Tan％u0131m」としてエンコードされます。どういうわけか。このエンコードされた文字列を元のユニコードに戻すにはどうすればよいですか？ urllib.unquoteはUnicodeをサポートしていないようです。

Answer 1

％uXXXXは非標準のエンコードスキームであり、実装がJavaScriptの土地で生き続けているという事実にもかかわらず、w3cによって拒否されました。

より一般的な手法は、文字列をUTF-8でエンコードし、％XXを使用して結果のバイトをエスケープすることです。このスキームはurllib.unquoteでサポートされています：

>>> urllib2.unquote("%0a")
'\n'

残念ながら、本当に％uXXXXをサポートする必要がある場合は、おそらく独自のデコーダを展開する必要があります。そうでない場合は、ユニコードをUTF-8でエンコードしてから、結果のバイトを％エスケープする方がはるかに望ましいでしょう。

より完全な例：

>>> 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

これが絶対に必要な場合にこれを行います（「非標準」の叫びに本当に同意します）：

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

上記のバージョンにはバグがあり、文字列にASCIIエンコード文字とUnicodeエンコード文字の両方が含まれている場合に時々フリークします。ユニコードに加えて、 '\ xab'のような上位128の範囲の文字がある場合に特にそう思います。

eg。 ＆quot;％5B％AB％u03E1％BB％5D＆quot;このエラーが発生します。

Unicodeを最初に実行しただけで問題が解決したことがわかりました：

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

非標準のエンコードスキームを使用するURLがあります、標準化団体によって拒否されましたが、まだ一部のエンコーダーによって作成されています。 Pythonの urllib.parse.unquote（）関数はこれらを処理できません。

幸運なことに、独自のデコーダを作成することはそれほど難しくありません。 ％uhhhh エントリはここでは UTF-16 コードポイントとなるため、サロゲートペアを考慮します。さらに混乱を招くために、％hh コードポイントが混在しているのを見ました。

このことを念頭に置いて、Python 3の str オブジェクトを渡すことを条件に、Python 2とPython 3の両方で動作するデコーダーを以下に示します（Python 2はそれほど気にしません）：

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)

この機能は、から大きな影響を受けています。現在の標準ライブラリの実装。

デモ：

>>> 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

この関数は、Python 2（2.4-2.7でテスト済み）およびPython 3（3.3-3.8でテスト済み）で動作します。