用Python解码UTF-8 URL

Question

我有一个类似“ pe％20to％C5％A3i％20mai”的字符串。 当我将urllib.parse.unquote应用于它时，我得到“ pe to \\ u016​​3i mai”。 如果我尝试将其写入文件，则会得到这些确切的符号，而不是预期的字形。

如何将字符串转换为utf-8，以便在文件中使用正确的字形？

编辑：我正在使用Python 3.2

Edit2：所以我发现urllib.parse.unquote正常工作，而我的问题实际上是我正在使用yaml.dump序列化到YAML，这似乎搞砸了。 为什么？

Answer 1

更新 ：如果输出文件是\ţ文档，则可以忽略其中的\ţ 。 Unicode转义在yaml文档中有效。

#!/usr/bin/env python3
import json

# json produces a subset of yaml
print(json.dumps('pe toţi mai')) # -> "pe to\u0163i mai"
print(json.dumps('pe toţi mai', ensure_ascii=False)) # -> "pe toţi mai"

注意：在最后一种情况下，没有\\u\u003c/code> 。 这两行代表相同的Python字符串。

yaml.dump()具有类似的选项： allow_unicode 。 将其设置为True以避免Unicode转义。

---

网址正确。 您不需要做任何事情：

#!/usr/bin/env python3
from urllib.parse import unquote

url =  "pe%20to%C5%A3i%20mai"
text = unquote(url)

with open('some_file', 'w', encoding='utf-8') as file:
    def p(line):
        print(line, file=file) # write line to file

    p(text)                # -> pe toţi mai
    p(repr(text))          # -> 'pe toţi mai'
    p(ascii(text))         # -> 'pe to\u0163i mai'

    p("pe to\u0163i mai")  # -> pe toţi mai
    p(r"pe to\u0163i mai") # -> pe to\u0163i mai
    #NOTE: r'' prefix

字符编码错误处理程序可能会引入\ţ序列：

with open('some_other_file', 'wb') as file: # write bytes
    file.write(text.encode('ascii', 'backslashreplace')) # -> pe to\u0163i mai

要么：

with open('another', 'w', encoding='ascii', errors='backslashreplace') as file:
    file.write(text) # -> pe to\u0163i mai

更多示例：

# introduce some more \u escapes
b = r"pe to\u0163i mai ţţţ".encode('ascii', 'backslashreplace') # bytes
print(b.decode('ascii')) # -> pe to\u0163i mai \u0163\u0163\u0163
# remove unicode escapes
print(b.decode('unicode-escape')) # -> pe toţi mai ţţţ

Answer 2

Python 3

调用urllib.parse.unquote已经返回一个Unicode字符串：

>>> urllib.parse.unquote("pe%20to%C5%A3i%20mai")
'pe toţi mai'

如果没有得到该结果，则一定是代码错误。 请发布您的代码。

Python 2

使用decode从字节字符串获取Unicode字符串：

>>> import urllib2
>>> print urllib2.unquote("pe%20to%C5%A3i%20mai").decode('utf-8')
pe toţi mai

请记住，将Unicode字符串写入文件时，必须再次对其进行编码。 您可以选择以UTF-8格式写入文件，但也可以根据需要选择其他编码。 从文件读回时，还必须记住使用相同的编码。 您可能会发现codecs模块对于在读取和写入文件时指定编码很有用。

>>> import urllib2, codecs
>>> s = urllib2.unquote("pe%20to%C5%A3i%20mai").decode('utf-8')

>>> # Write the string to a file.
>>> with codecs.open('test.txt', 'w', 'utf-8') as f:
...     f.write(s)

>>> # Read the string back from the file.
>>> with codecs.open('test.txt', 'r', 'utf-8') as f:
...     s2 = f.read()

一个可能引起混淆的问题是，在交互式解释器中，有时使用\\uxxxx表示法而不是实际字符来显示Unicode字符串：

>>> s
u'pe to\u0163i mai'
>>> print s
pe toţi mai

这并不意味着字符串是“错误的”。 这就是解释器工作的方式。

Answer 3

尝试使用unicode_escape decode 。

例如：

>>> print "pe to\u0163i mai".decode('unicode_escape')
pe toţi mai

Answer 4

urllib.parse.unquote返回了正确的UTF-8字符串，并将其直接写入返回的文件即可达到预期的结果。 问题出在yaml上。 默认情况下，它不使用UTF-8编码。

我的解决方案是：

yaml.dump("pe%20to%C5%A3i%20mai",encoding="utf-8").decode("unicode-escape")

感谢JF Sebastian和Mark Byers向我提出了正确的问题，这些问题可以帮助我解决问题！