python用于url解码和中文解析的小脚本(python url decoder)

# -*- coding: utf8 -*-
#! python
print(repr("测试报警，xxxx是大猪头".decode("UTF8").encode("GBK")).replace("\\x","％"))

注意第一个 decode("UTF8") 要与文件声明的编码一样。

最开始对这个问题的接触，来自于一个Javascript解谜闯关的小游戏，某一关的提示如下：

刚开始的几关都是很简单很简单的哦～～这一关只是简单的字符串变形而已…..

后面是一大长串开头是％5Cu4e0b％5Cu4e00％5Cu5173％5Cu7684这样的字符串。
这种东西以前经常在浏览器的地址栏见到，就是一直不知道怎么转换成能看懂的东东，
网上google了一下，结合python的url解码和unicode解码，解决方式如下:

import urllib escaped_str="％5Cu4e0b％5Cu4e00％5Cu5173％5Cu7684％5Cu9875％5Cu9762％5Cu540d％5Cu5b57％5Cu662f％5Cx20％5Cx69％5Cx32％5Cx6a％5Cx62％5Cx6a％5Cx33％5Cx69％5Cx34％5Cx62％5Cx62％5Cx35％5Cx34％5Cx62％5Cx35％5Cx32％5Cx69％5Cx62％5Cx33％5Cx2e％5Cx68％5Cx74％5Cx6d"
print urllib.unquote(escaped_str).decode('unicode-escape')

最近，我对firefox的autoproxy插件中的gfwlist中的中文词汇（用过代理的同学们，你们懂的）产生了兴趣，然而这些网址都是用url编码的，比如http://zh.wikipedia.org/wiki/％E9％97％A8，需要使用正则表达式将被url编码的中文字符提取出来，写了个小脚本如下：

import urllib
import re
with open("listfile","r") as f:
    for url_str in f:
        match=re.compile("((％\w{2}){3,})").findall(url_str)
        #汉字url编码的样式是：百分号+2个十六进制数，重复3次

        if match!=None:
            #如果匹配成功，则将提取出的部分转换为中文
            for trans in match:
                print urllib.unquote(trans[0]),

然而这个脚本仍有一些缺点，对于列表文件中的某些中文字符仍然不能正常解码，比如下面这几行测试代码

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)

输出结果就是前者可以正确解码，而后者不可以，个人觉得原因可能和big5编码有关，如果谁知道什么解决办法，还请告诉我一下~

以下是补充：

de(a).decode(“gbk”,”ignore”)
de(b).decode(“utf8″,”ignore”)

這樣你可以得到這些字串的unicode編碼。

你用的unquote不是decoder, 你需要作必要的decode和encode。我一直用utf8作我默認環境的，我覺得你大概用的gbk吧，所以後者的解碼你那邊失敗了。猜編碼是很累的事情，如果大家都用utf8倒也好，但是有些人習慣了gb。

http://yac163.svn.sourceforge.net/viewvc/yac163/trunk/yac163-nox/Pic.py?revision=198&view=markup

參考我這個很古老code裡面的#102-147行 給每個decode和encode調用加上(…,”ignore”)。

def strdecode( string,charset=None ):
     if isinstance(string,unicode):
         return string
     if charset:
         try:
             return string.decode(charset)
         except UnicodeDecodeError:
             return _strdecode(string)
     else:
         return _strdecode(string)

 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')

 def strencode( string,charset=None ):
     if isinstance(string,str):
         return string
     if charset:
         try:
             return string.encode(charset)
         except UnicodeEncodeError:
             return _strencode(string)
     else:
         return _strencode(string)
 def _strencode(string):

     try:
         return string.encode('utf8')
     except UnicodeEncodeError:
         try:
             return string.encode('gb2312')
         except UnicodeEncodeError:
             try:
                 return string.encode('gbk')
             except UnicodeEncodeError:
                 return string.encode('gb18030')