Como unquote uma string unicode urlencoded em python?
-
08-07-2019 - |
Pergunta
Eu tenho um string unicode como "Tanim", que é codificado como "Tan% u0131m" de alguma forma. Como posso converter isso de volta string codificada para unicode originais. Aparentemente urllib.unquote não suporta unicode.
Solução
% uXXXX é uma esquema de codificação de não-padrão que tem sido rejeitado pelo W3C, apesar do fato de que uma implementação continua a viver na terra JavaScript.
A técnica mais comum parece ser a UTF-8 codifica a cadeia e, em seguida,% escapar os bytes resultantes, utilizando% XX. Este esquema é suportado por urllib.unquote:
>>> urllib2.unquote("%0a")
'\n'
Infelizmente, se você realmente necessidade para suporte% uXXXX, provavelmente você vai ter que rolar o seu próprio decodificador. Caso contrário, é provável que seja muito mais preferível simplesmente UTF-8 codificar seus unicode e, em seguida,% escapar os bytes resultantes.
Um exemplo mais completo:
>>> u"Tanım"
u'Tan\u0131m'
>>> url = urllib.quote(u"Tanım".encode('utf8'))
>>> urllib.unquote(url).decode('utf8')
u'Tan\u0131m'
Outras dicas
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)
Isso vai fazê-lo se você absolutamente tem que ter isso (Eu realmente concordo com os gritos de "não-padrão"):
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
existe um bug na versão acima, onde se assusta às vezes, quando há tanto ascii codificado e unicode codificado caracteres na cadeia. Eu acho que é especificamente quando há caracteres do 128 intervalo superior como '\ xab', além de unicode.
por exemplo. "% 5B% AB% u03E1% BB% 5D" causa esse erro.
I encontrados se você acabou de fazer os unicode em primeiro lugar, o problema foi embora:
def unquote_u(source):
result = source
if '%u' in result:
result = result.replace('%u','\\u').decode('unicode_escape')
result = unquote(result)
return result
Você tem uma URL usando um não padronizado esquema de codificação , rejeitada pelos organismos de normalização, mas ainda está sendo produzido por alguns codificadores. A função urllib.parse.unquote()
Python não pode lidar com estes.
Criar o seu próprio decodificador não é tão difícil, felizmente. entradas %uhhhh
são destinadas a ser UTF-16 codepoints aqui, então precisamos tomar pares substitutos em conta. Eu também vi codepoints %hh
misturados, para a confusão acrescentou.
Com isso em mente, aqui é um decodificador que funciona tanto em Python 2 e Python 3, desde que você passar em um objeto str
em Python 3 (Python 2 cuidados menos):
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)
A função é fortemente inspirado pelo atual implementação padrão da biblioteca.
Demonstração:
>>> 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
a função funciona em Python 2 (testado em 2,4-2,7) e Python 3 (testado em 3,3-3,8).