Dekoduj znaki ucieczki w adresie URL

83

Mam listę zawierającą adresy URL ze znakami ucieczki. Te znaki zostały ustawione, urllib2.urlopengdy odzyskuje stronę HTML:

http://www.sample1webpage.com/index.php?title=%E9%A6%96%E9%A1%B5&action=edit
http://www.sample1webpage.com/index.php?title=%E9%A6%96%E9%A1%B5&action=history
http://www.sample1webpage.com/index.php?title=%E9%A6%96%E9%A1%B5&variant=zh

Czy istnieje sposób, aby przekształcić je z powrotem w ich niezmienną formę w Pythonie?

PS: adresy URL są zakodowane w utf-8

python escaping

— Tony
źródło

144

Oficjalne dokumenty.

urllib.unquote(strunowy)

Zastąp %xxznaki ucieczki ich jednoznakowym odpowiednikiem.

Przykład: unquote('/%7Econnolly/')plony '/~connolly/'.

A potem po prostu dekoduj.

Aktualizacja: w przypadku języka Python 3 napisz:

import urllib.parse
urllib.parse.unquote(url)

Dokumentacja Python 3.

— Ignacio Vazquez-Abrams
źródło

unquote pokazuje, jak powiedziałem powyżej sample.com/index.php?title=\xe9\xa6\x96\xe9\xa1\xb5&action=edi ... może nie wyjaśniłem się zbyt dobrze w tym przypadku ... ale url jest chiński i chcę zdekodować go na oryginalny znak, a nie ten bez cudzysłowu

— Tony

3

@dyoser Musisz umieścić to w swoim pytaniu.

— Kris Harper

@ root45 to jest komentarz do jednej odpowiedzi ... więc tutaj jest dobrze. Dziękuję że mnie doceniłeś.

— Tony

11

Tylko uwaga, że dla pythona3 jest tourllib.parse.unquote

— tayfun

4

W przypadku pythona3 jest również dostępnyurllib.request.unquote

— Ben

30

A jeśli używasz, Python3możesz użyć:

import urllib.parse
urllib.parse.unquote(url)

— Vladir Parrado Cruz
źródło

Również wurllib.request.unquote

— Ben

11

lub urllib.unquote_plus

>>> import urllib
>>> urllib.unquote('erythrocyte+membrane+protein+1%2C+PfEMP1+%28VAR%29')
'erythrocyte+membrane+protein+1,+PfEMP1+(VAR)'
>>> urllib.unquote_plus('erythrocyte+membrane+protein+1%2C+PfEMP1+%28VAR%29')
'erythrocyte membrane protein 1, PfEMP1 (VAR)'

— dli
źródło

7

Możesz użyć urllib.unquote

— Klaus Byskov Pedersen
źródło

kiedy używam unquote (dzięki przy okazji ...) pokazuje ten ciąg sample.com/index.php?title= \ xe9 \ xa6 \ x96 \ xe9 \ xa1 \ xb5 & action = edi i wiem, że to chińskie znaki ... jak mogę je zobaczyć? Myślę, że to Unicode, prawda?

— Tony

To już jest twoje pytanie. To są bajty UTF-8; możesz przekonwertować je na łańcuch Unicode za b"\xe9\xa6\x96\xe9\xa1\xb5".decode("utf-8")pomocą (używając teraz nieco nowszej składni Pythona).

— tripleee

5

import re

def unquote(url):
  return re.compile('%([0-9a-fA-F]{2})',re.M).sub(lambda m: chr(int(m.group(1),16)), url)

— mistercx
źródło

8

Dlaczego miałbyś ręcznie używać wyrażeń regularnych i lambd, skoro istnieje wbudowana biblioteka, która robi to, czego potrzebujesz, prawdopodobnie nawet bardziej przemyślane?

— Brad Koch,

6

Fajne rozwiązanie! urllib2nie jest częścią standardowej dystrybucji Pythona. rejest.

— cxxl