python用于url解码和中文解析的小脚本（续）

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 […]