Skip to main content
 首页 » 编程设计

python之如何正确取消引用应该包含日语符号的网址

2025年01月19日11fff_TT

例如,我有以下字符串(这是我从错误编码的字符串中意识到的)

https://ja-jp.facebook.com/%C3%A5%C2%90%C2%8D%C3%A5%C2%8F%C2%A4%C3%A5%C2%B1%E2%80%B9%C3%AF%C2%BD%C5%A0%C3%AF%C2%BD%E2%80%99%C3%A3%E2%80%9A%C2%B2%C3%A3%C6%92%C2%BC%C3%A3%C6%92%CB%86%C3%A3%E2%80%9A%C2%BF%C3%A3%C6%92%C2%AF%C3%A3%C6%92%C2%BC%C3%A3%C6%92%E2%80%BA%C3%A3%C6%92%E2%80%A0%C3%A3%C6%92%C2%AB-219123305237478

这个 url 可以被浏览器正确解码,显示如下:

https://ja-jp.facebook.com/名古屋jrゲートタワーホテル-219123305237478/

有没有办法取消引用/解码字符串,这样它就不会像这样显示:

https://ja-jp.facebook.com/åå¤å±‹ï½Šï½’ゲートタワーホテル-219123305237478

浏览器最初会在短时间内显示具有相同垃圾的 url,但随后会在没有重定向的情况下调整字符串以使其看起来正常。

我正在尝试用这个简单的代码修复编码:

def fix_encoding(s): 
    for a in aliases: 
        for b in aliases: 
            try: 
                fixed = s.encode(a).decode(b) 
            except: 
                pass 
            else: 
                print (a, b) 
                print(fixed) 
 
fix_encoding(u'åå¤å±‹ï½Šï½’ゲートタワーホテル-219123305237478') 

我得到的最佳结果非常接近它应该看起来的样子,但是对于所有相同的结果,前 2 个符号都是错误的。例如:

��屋jrゲートタワーホテル-219123305237478 
('1252', 'l8') 

请您参考如下方法:

第一个 URL 已损坏。发生的事情是,一些软件认为正确的 UTF-8 URL 是 CP1252,即使 CP1252 中有一些字节无效。因此它将正确 URL 的字节从假定的 CP1252 转换为 UTF8,但当且仅当字节在 CP1252 中有效。无效字节保持原样。这就是为什么所有 URL 都不能通过一种编码-解码组合恢复的原因。

要反转所描述的过程,我们需要例如这段代码(在 Python 2 中):

#-*-coding:utf8-*- 
from six.moves.urllib import parse 
 
correct = 'https://ja-jp.facebook.com/名古屋jrゲートタワーホテル-219123305237478' 
url = 'https://ja-jp.facebook.com/%C3%A5%C2%90%C2%8D%C3%A5%C2%8F%C2%A4%C3%A5%C2%B1%E2%80%B9%C3%AF%C2%BD%C5%A0%C3%AF%C2%BD%E2%80%99%C3%A3%E2%80%9A%C2%B2%C3%A3%C6%92%C2%BC%C3%A3%C6%92%CB%86%C3%A3%E2%80%9A%C2%BF%C3%A3%C6%92%C2%AF%C3%A3%C6%92%C2%BC%C3%A3%C6%92%E2%80%BA%C3%A3%C6%92%E2%80%A0%C3%A3%C6%92%C2%AB-219123305237478' 
unq_url = parse.unquote(url.encode('ascii')) 
 
res = '' 
for c in unq_url.decode('utf8'): 
    try: 
        res += c.encode('cp1252') 
    except: 
        res += chr(ord(c)) 
 
print res == correct