Python中必知的知识点：文本转义及编码的常用方法

每种语言都有其关键字和保留字符，这样为了能这些特殊字符能正常显示，就需要转义，如Python中\n代表回车，HTML中 代表空格等等。
Python中的’‘是转义控制符，如果要表达\本身则需要使用’’，常见于Windows系统的路径中（使用’/'则不需要转义）。

unicode转义

有时候我们在响应文本中会看到一些\u开头的字符串，如下例。

>>> import requests
>>> res = requests.get('https://httpbin.org/get?name=张三&age=12')
>>> print(res.text)
{
  "args": {
    "age": "12",
    "name": "\u5f20\u4e09"
  },
  "headers": {
    "Accept": "*/*",
    "Accept-Encoding": "gzip, deflate",
    "Host": "httpbin.org",
    "User-Agent": "python-requests/2.24.0",
    "X-Amzn-Trace-Id": "Root=1-5f8f8e42-6d1f34a2691b8bec579454a3"
  },
  "origin": "111.194.126.253",
  "url": "https://httpbin.org/get?name=\u5f20\u4e09&age=12"
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

响应体文本中，name后面对应是"\u5f20\u4e09"，这是HTTP请求在传输时为了确保符合ASCII编码对其他字符集做的unicode转义。

注意这个只是打印结果，我们看看res.text的本来样子。

>>> res.text
'{\n  "args": {\n    "age": "12", \n    "name": "\\u5f20\\u4e09"\n  }, \n  "headers": {\n    "Accept": "*/*", \n    "Accept-Encoding": "gzip, deflate", \n    "Host": "httpbin.org", \n    "User-Agent": "python-requests/2.24.0", \n    "X-Amzn-Trace-Id": "Root=1-5f8f8e42-6d1f34a2691b8bec579454a3"\n  }, \n  "origin": "111.194.126.253", \n  "url": "https://httpbin.org/get?name=\\u5f20\\u4e09&age=12"\n}\n'
1
2

可以看出name的实际值是"\u5f20\u4e09"，"\u5f20\u4e09" != “\u5f20\u4e09”，看下如下例子。

'''
学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025
寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！
'''
>>> name = "\u5f20\u4e09"
>>> name
'张三'
>>> name = "\\u5f20\\u4e09"
>>> name
'\\u5f20\\u4e09'
>>> print(name)
\u5f20\u4e09
1
2
3
4
5
6
7
8
9
10
11
12

可见 “\u5f20\u4e09” 就是"张三"，而"\u5f20\u4e09"是一个显示为"\u5f20\u4e09"的字符串。

unicode转义-解码

如何将"\u5f20\u4e09"转为"张三"呢？方法如下
先按utf-8编码回二进制，然后按unicode-escape方式解码为正常文本

>>> name = "\\u5f20\\u4e09"
>>> name.encode('utf-8').decode('unicode-escape') 
'张三'
1
2
3

unicode转义-编码

如果想将"张三"转为unicode转义字符只需要反向操作即可。

>>> name = "张三"
>>> name.encode('unicode-escape').decode('utf-8')
'\\u5f20\\u4e09'
1
2
3

GBK转义

有些中文网页中有时会使用GBK编码，形式为\x开头的字符如。

>>> name = "张三"
>>> name.encode('gbk')
b'\xd5\xc5\xc8\xfd'
1
2
3

这个二进制字符串b’\xd5\xc5\xc8\xfd’就是"张三"，但如果我们拿到一个"\xd5\xc5\xc8\xfd"的普遍字符串呢?

操作方法如下。

'''
学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025
寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！
'''
>>> name = "\xd5\xc5\xc8\xfd"
>>> name
'ÕÅÈý'
>>> name.encode('latin1').decode('unicode-escape').encode('latin1').decode('gbk')
'张三'
>>> name = "\\xd5\xc5\\xc8\\xfd"
>>> name.encode('latin1').decode('unicode-escape').encode('latin1').decode('gbk')
'张三'
1
2
3
4
5
6
7
8
9
10
11
12

无论是"\xd5\xc5\xc8\xfd"还是"\xd5\xc5\xc8\xfd"都可以。

html转义

在有些情况下我们需要解码html文档中的转义字符，或者进行编码，操作如下。

>>> import html
>>> args='{"e": 5, "f": 6}'
>>> html.escape(args)  # 转义
'{"e": 5, "f": 6}'
>>> html.unescape('{"e": 5, "f": 6}')   # 转回
'{"e": 5, "f": 6}'
1
2
3
4
5
6

url编码

在url中需要对一些特殊字符进行编码，比如在浏览器地址栏中输入https://httpbin.org/get?name=张三&age=12’

然后复制-粘贴，你会发现网址变为了https://httpbin.org/get?name=%E5%BC%A0%E4%B8%89&age=12，这就是url为确保ASCII对特殊字符集非ASCII编码进行的编码。

如何解码呢？方法如下。

>>> from urllib.parse import quote,unquote,urlencode
>>> url = 'https://httpbin.org/get?name=%E5%BC%A0%E4%B8%89&age=12'
>>> unquote(url)
'https://httpbin.org/get?name=张三&age=12'
1
2
3
4

如果想要进行urlencode编码，则需要使用quote和urlencode，quote对字符串进行编码，一般只用于单个参数值，urlencode则对一组字典格式的参数进行编码组装。

示例如下：

>>> name = "张三"
>>> quote(name)
'%E5%BC%A0%E4%B8%89'
>>> url = f'https://httpbin.org/get?name={name}&age=12'
>>> url
'https://httpbin.org/get?name=张三&age=12'
>>>
1
2
3
4
5
6
7

或

>>> params = {"name": "张三", "age": 12}
>>> urlencode(params)
'name=%E5%BC%A0%E4%B8%89&age=12'
>>> url = f'https://httpbin.org/get?{urlencode(params)}'
>>> url
'https://httpbin.org/get?name=%E5%BC%A0%E4%B8%89&age=12'
1
2
3
4
5
6

base64编码

编码和加密的不同在于，编码一般为了传输或者压缩，支持解码。加密后则一般不能反解。
base64一般用于在接口中，将图片或媒体变为一种固定长度的字符串形式，方便传输。
base64编码解码方法如下。

编码

'''
学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025
寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！
'''
>>> import base64
>>> a = 'lts'
>>> b =a.encode('utf-8')
>>> base64.b64encode(b)
b'bHRz'
>>> base64.b64encode(b).decode('utf-8')
'bHRz'
1
2
3
4
5
6
7
8
9
10
11

解码

>>> base64.b64decode('bHRz').decode('utf-8')
'lts'
>>> base64.b64decode(b'bHRz').decode('utf-8')
'lts'
>>>
1
2
3
4
5