原来可以这样做url中文解码

大家做爬虫时,是不是也遇到过url是中文,然后在显示时转码了的情况,一长串字符,根本就不知道是什么,要验证的时候很不方便,这里分享一下我的处理方法。

一、尝试

一长串字符,首先想到用在线unicode转中文,结果还是不知道是什么.
原内容:

%5B9500%5D%5B552e%5D%5B6307%5D%5B6807%5D%5B5b8c%5D%5B6210%5D%5B7387%5D111
%5B8d39%5D%5B7528%5D%5B989d%5D%5B5ea6%5D%5B67e5%5D%5B8be2%5D

转后:

[9500][552e][6307][6807][5b8c][6210][7387]111
[8d39][7528][989d][5ea6][67e5][8be2]

心想这是什么东西?

难道就这样失败了?

仔细看看内容,四个字,四个字的,是不是有点像unicode?可是中括号是什么鬼?

试着拿一个数试试,\u9500.

《原来可以这样做url中文解码》
《原来可以这样做url中文解码》

果然,不是巧合,真的就是unicode, 可是这么多括号,手动解决是不可能的。

二、怎么才能去除括号并且换上\u呢?

当然首选是pyhton, 上代码:

# coding=utf-8
from urllib import parse
import re

def _change(matched):
    if matched.group(0) == "[":
        return '\\u'
    else:
        return ''

def url_de(x):
    '''对URL进行解码'''
    replaceStr = re.sub(
        r'([\[|\]])', _change, parse.unquote(x))
    return replaceStr

x = '''
%5B9500%5D%5B552e%5D%5B6307%5D%5B6807%5D%5B5b8c%5D%5B6210%5D%5B7387%5D111
%5B8d39%5D%5B7528%5D%5B989d%5D%5B5ea6%5D%5B67e5%5D%5B8be2%5D
'''

print(url_de(x))

首先,我们引入要用的包,这里主要是两个包,parse用来做第一遍转码,转成带括号的形式。然后使用re.sub对括号进行替换和消除。

输出:

《原来可以这样做url中文解码》

其实应该有方法再转一次输出中文的,可是一时半会没找到方法。只能用笨办法了,复制输出的内容到在线unicode转中文。

《原来可以这样做url中文解码》

成功了,原来是这样。

《原来可以这样做url中文解码》

三、 转机

就在我打算先这么样的时候,一个朋友给出了一个方法。

谢谢 @程序员喜欢猫 的帮助,使用json 可以顺利的解析出中文,不用反复使用 在线unicode转中文 。
新的代码也放到下面:

# coding=utf-8
from urllib import parse
import re
import json

def _change(matched):
    if matched.group(0) == "[":
        return '\\u'
    else:
        return ''

# 原来方法加上json.loads

def url_de(x):
    '''对URL进行解码'''
    replaceStr = re.sub(
        r'([\[|\]])', _change, parse.unquote(x))
    return json.loads(f'"{replaceStr}"')

# @程序员喜欢猫 提供的方法

def func(string):
    string = parse.unquote(string)
    string = string.replace('[', '\\u').replace(']', '')
    return json.loads(f'"{string}"')

x = 'http://www1.site.com:8888/WebReport/ReportServer?formlet=/test/[7efc][5408][5206][6790]/zonghexinxi_erji_yiyao_tuiguangbu--%5B9500%5D%5B552e%5D%5B6307%5D%5B6807%5D%5B5b8c%5D%5B6210%5D%5B7387%5D111.frm'
print('方法一:')
print(url_de(x))
print('方法二:')
print(func(x))

四、结果:

《原来可以这样做url中文解码》

很明显中文已经解析出来了,不用再去 在线unicode转中文 了, 完美,再次感谢 @程序员喜欢猫

五、再进一步

果然是方法总比问题多,经过 @程序员喜欢猫 的提醒,我想应该方法不止这些,又上网搜索了下,果然,也有小伙伴遇到这个问题,具体可见 https://www.zhihu.com/question/26921730
于是现改进方法:

def url_de(x):
    '''对URL进行解码'''
    replaceStr = re.sub(
        r'([\[|\]])', _change, parse.unquote(x))
    return replaceStr.encode('latin-1').decode('unicode_escape')

六、效果:

《原来可以这样做url中文解码》

注意:

这里需要注意的是, 如mailto1587 说的:
先检查text是什么类型如果type(text) is bytes,那么text.decode('unicode_escape')
如果type(text) is str,那么text.encode('latin-1').decode('unicode_escape')
用这种方法可以不用引入 json , 理解起来更自然点。

七、后记:

这次的问题其实还是比较简单的,但是我们在做爬虫的过程中,这种问题层出不穷,怎么以简便快捷的方式处理问题就很重要了,但是在处理好问题后,我们还可以进一步研究,怎么才能做的更好,进步就再这一点点。

点赞
关注极客数据微信公众号

发表评论

电子邮件地址不会被公开。 必填项已用*标注