python用于url解码和中文解析的小脚本

之前写过一篇关于处理url里中文字符解码文章，后来看到原文中TL的回复，发现原来那一篇文章存在着几个问题，觉得这些问题可能别的同学也会遇到，就续写一篇吧。

非默认编码的转换

import

urllib

a="http://zh.wikipedia.org/wiki/%BD%F0%B6"

b="http://zh.wikipedia.org/wiki/%E9%97%A8"

de=urllib.unquote

print

de(a),de(b)

之前的文章里的这段代码，我没有考虑到gbk和utf编码的问题，以为不带有%5Cu这种unicode标志字符的汉字解码只要unquote就万事大吉了呢，但对于与“默认编码环境”不同的编码来说，还需要再多一步处理，所以上述的代码是无法对a正确解码的

TL给出了一种解决办法，可以处理a这种残疾的编码形式（残疾的原因，下面就会解释）

de(a).decode("gbk","ignore")

de(b).decode("utf8","ignore")

再print就可以打印出中文字符了~

残疾的编码

可是，问题又来了，为什么还需要“ignore”这个参数呢，我发现如果不加这个参数，这样使用，会报错的。

de(a).decode("gbk")

检查了一下a在gfwlist中的出处以后，我发现自己犯了一个挺低级的错误的（汗。）

事实是：a里那个网站本来应该是zh.wikipedia.org*%BD%F0%B6%DC%B9%A4%B3%CC这样的，我误以为汉字编码都是3个“百分号+2个十六进制数”（3个字节）这样的样式，所以只取了前3个字节，也就是“%BD%F0%B6″。

而问题在于，gbk编码和utf编码所需的字节数是不一样的，gbk只需2个字节即可编码一个汉字，而a是用gbk编码的，1个汉字的解码不需要3个字节，多出来的这1个残疾的字节就成为了decode异常的来源，删掉这个多余的字节以后，解码顺利通过：

import

urllib

a="http://zh.wikipedia.org/wiki/%BD%F0"

#

gbk, 2 bytes per Chinese character

b="http://zh.wikipedia.org/wiki/%E9%97%A8"

#

utf8, 3 bytes per Chinese character

de=urllib.unquote

print

de(a).decode("gbk")

print

de(b).decode("utf8")

定义解码方式的优先级

最后，我将TL的脚本中以优先级的形式处理多种中文编码的函数代码copy了过来，同时将中文编码的字节下限由3字节改为了2个字节以后，发现原来gfwlist中所有不能正常解码的中文，现在都可以显示出来了，哈哈，不错~

import

urllib

import

re

def

_strdecode(string):

try:

return

string.decode('utf8')

except

UnicodeDecodeError:

try:

return

string.decode('gb2312')

except

UnicodeDecodeError:

try:

return

string.decode('gbk')

except

UnicodeDecodeError:

return

string.decode('gb18030')

with
open("gfwcn","r")

as f:

for

escaped_str in

f:

match=re.compile("((%\w{2}){2,})").findall(escaped_str)

#

the pattern of a Chinese character is ：

#

% + 2 hexadecimal digits，repeat 2 (gbk) or 3 (utf8) times

#

I choose 2 as the lower limit of the amount of repetitions

if

match!=None:

for

trans in

match:

print

_strdecode(urllib.unquote(trans[0])),

#

decode these Chinese characters in priority order

学步园