पायथन यूआरएल यूनिकोड यूनिकोड

Question

मेरे पास एक यूनिकोड स्ट्रिंग है जैसे '%C3%A7%C3%B6asd+fjkls%25asd' और मैं इस स्ट्रिंग को डीकोड करना चाहता हूं।
मैंने urllib.unquote_plus (str) का उपयोग किया लेकिन यह गलत काम करता है।

- expected : 'çöasd+fjkls%asd ' 
- result : 'çöasd fjkls%asd' 

डबल कोडित UTF-8 वर्णों (%C3%A7 and %C3%B6) गलत डीकोड कर रहे हैं।
मेरा पायथन संस्करण 2.7 एक लिनक्स डिस्ट्रो
के तहत अनुमानित परिणाम प्राप्त करने का सबसे अच्छा तरीका क्या है? अग्रिम

Answer 1

आप 3 या 4 या 5 समस्या है ... लेकिन repr() और unicodedata.name() अपने मित्रों को कर रहे हैं; वे print fubar के परिणामों को संचारित करने वाले विभिन्न कंसोल एन्कोडिंग वाले लोगों द्वारा भ्रमित किए बिना भ्रम के बिना आपको जो कुछ मिला है, वह स्पष्ट रूप से आपको दिखाता है।

सारांश: या तो (ए) आप एक यूनिकोड ऑब्जेक्ट से शुरू करते हैं और उस पर अवांछित फ़ंक्शन लागू करते हैं या (बी) आप एक स्ट्र ऑब्जेक्ट से प्रारंभ करते हैं और आपका कंसोल एन्कोडिंग यूटीएफ -8 नहीं है।

यदि आप कहते हैं के रूप में आप एक यूनिकोड वस्तु के साथ शुरू:

>>> s0 = u'%C3%A7%C3%B6asd+fjkls%25asd' 
>>> print repr(s0) 
u'%C3%A7%C3%B6asd+fjkls%25asd' 

इस एक आकस्मिक बकवास है। यदि आप urllibX.unquote_YYYY() पर लागू करते हैं, तो आपको एक और बकवास यूनिकोड ऑब्जेक्ट (u'\xc3\xa7\xc3\xb6asd+fjkls%asd') मिलता है जो मुद्रित होने पर आपके दिखाए गए लक्षणों का कारण बनता है।आप एक str वस्तु तुरंत करने के लिए अपने मूल यूनिकोड वस्तु परिवर्तित करना चाहिए:

>>> s1 = s0.encode('ascii') 
>>> print repr(s1) 
'%C3%A7%C3%B6asd+fjkls%25asd' 

तो आप इसके गंदें शब्द बोलना चाहिए:

>>> import urllib2 
>>> s2 = urllib2.unquote(s1) 
>>> print repr(s2) 
'\xc3\xa7\xc3\xb6asd+fjkls%asd' 

कि के पहले 4 बाइट को देखते हुए, यह UTF-8 में एन्कोड किया। यदि आप print s2 करते हैं, तो यह ठीक लगेगा यदि आपका कंसोल यूटीएफ -8 की अपेक्षा कर रहा है, लेकिन यदि यह आईएसओ -885 9 -1 (उर्फ लैटिन 1) की अपेक्षा कर रहा है तो आपको अपना लक्षण कचरा दिखाई देगा (पहला चार ए-टिल्डे होगा)। चलो पार्क है कि एक पल के लिए सोचा और यह एक यूनिकोड वस्तु में बदलने का:

>>> s3 = s2.decode('utf8') 
>>> print repr(s3) 
u'\xe7\xf6asd+fjkls%asd' 

और देखने के लिए क्या हम वास्तव में मिल गया है यह निरीक्षण:

>>> import unicodedata 
>>> for c in s3[:6]: 
...  print repr(c), unicodedata.name(c) 
... 
u'\xe7' LATIN SMALL LETTER C WITH CEDILLA 
u'\xf6' LATIN SMALL LETTER O WITH DIAERESIS 
u'a' LATIN SMALL LETTER A 
u's' LATIN SMALL LETTER S 
u'd' LATIN SMALL LETTER D 
u'+' PLUS SIGN 

की तरह जो आपने कहा है कि आप की उम्मीद लग रहा है। अब हम इसे आपके कंसोल पर प्रदर्शित करने के सवाल पर आते हैं। नोट: जब आप "cp850" देखते हैं तो बाहर निकलना न करें; मैं यह पोर्टेबल कर रहा हूं और विंडोज़ पर कमांड प्रॉम्प्ट में ऐसा करने के लिए बस ऐसा करता हूं।

>>> import sys 
>>> sys.stdout.encoding 
'cp850' 
>>> print s3 
çöasd+fjkls%asd 

नोट: यूनिकोड ऑब्जेक्ट को sys.stdout.encoding का उपयोग करके स्पष्ट रूप से एन्कोड किया गया था। सौभाग्य से s3 में सभी यूनिकोड वर्ण उस एन्कोडिंग (और सीपी 1252 और लैटिन 1) में प्रतिनिधित्व योग्य हैं।

Answer 2

में

धन्यवाद urllib2 एक बार फिर प्रयास करें:

print urllib2.unquote('%C3%A7%C3%B6asd+fjkls%25asd') 

Answer 3

'% C3% ए 7% C3% B6asd + fjkls% 25asd' - यह एक यूनिकोड स्ट्रिंग नहीं है।

यह एक यूआरएल-एन्कोडेड स्ट्रिंग है। इसके बजाय urllib2.unquote() का प्रयोग करें।

Answer 4

आप unquote_plus विधि का उपयोग कर रहे हैं जो space खाते में ले रहा है और + पर परिवर्तित कर रहा है। बस unquote विधि का उपयोग करें और आपको ठीक होना चाहिए।

>>> import urllib 
>>> print urllib.unquote('%C3%A7%C3%B6asd+fjkls%25asd') 
çöasd+fjkls%asd 
>>> print urllib.unquote_plus('%C3%A7%C3%B6asd+fjkls%25asd') 
çöasd fjkls%asd 

Answer 5

आप एक डबल समस्या है: अपने स्ट्रिंग यूनिकोड इनकोडिंग है और caracter urlencoded शामिल हैं। कुछ मैच का उपयोग करते हुए या तो unquote या unquote_plus आप एक बाइट स्ट्रिंग दे देंगे

>>> s = '%C3%A7%C3%B6asd+fjkls%25asd' # ascii string 
>>> print urllib2.unquote(s) # works as expected 
çöasd+fjkls%asd 
>>> s = u'%C3%A7%C3%B6asd+fjkls%25asd' # unicode string 
>>> print urllib2.unquote(s) # decode stuff that it shouldn't 
çöasd+fjkls%asd 
>>> print urllib2.unquote(s.encode('ascii')) # encode the unicode string to ascii: works! 
çöasd+fjkls%asd 

Answer 6

: आप ascci करने के लिए अपने स्ट्रिंग को सामान्य यकीन है कि यह गलत तरीके से व्याख्या नहीं की जा होगा हो सकता है।

>>> print(urllib.unquote_plus('%C3%A7%C3%B6asd+fjkls%25asd')) 
çöasd fjkls%asd 
>>> 

ध्यान रखें कि आपके इनपुट स्ट्रिंग एक बाइट स्ट्रिंग होनी चाहिए:

>>> print(urllib.unquote_plus('%C3%A7%C3%B6asd+fjkls%25asd').decode('utf8')) 
çöasd fjkls%asd 
>>> 

के साथ तुलना में: आप एक यूनिकोड स्ट्रिंग चाहते हैं तो आप यूनिकोड को बाइट स्ट्रिंग डिकोड करने के लिए है, तो आप के लिए यूनिकोड पारित unquote/unquote_plus तो आपको थोड़ी सी गड़बड़ी मिल जाएगी। यदि यह मामला है तो यह पहले सांकेतिक शब्दों में बदलना:

>>> print(urllib.unquote_plus(u'%C3%A7%C3%B6asd+fjkls%25asd'.encode('ascii')).decode('utf8')) 
çöasd fjkls%asd