分析 urllib.unquote 乱码的原因

Question

Python 中的 urllib 模块用来处理 url 相关的操作，unquote 方法对应javascript中的urldecode方法，它对url进行解码，把类似"%xx"的字符替换成单个字符，例如：“%E6%B3%95%E5%9B%BD%E7%BA%A2%E9%85%92” 解码后会转换成“法国红酒”，但是使用过程中，如果姿势不对，最终转换出来的字符会是乱码 “法国红酔。

笔者在一个真实的 Tornado 应用中就遇到了这样的问题，浏览器通过请求传递到后台后，获取参数的值后：

name = self.get_argument("name", "")
name = urllib.unquote(name)
# save to db

name 的值打印出来的显示的是：“%E6%B3%95%E5%9B%BD%E7%BA%A2%E9%85%92”，看起来没什么问题，但结果最终保存到数据库中的时候就成了一串乱码 “法国红酔，这个问题实在是让人百思不得其解。

原因分析

于是想用直接编码的字符来处理看看是否会出现乱码：

name = '%E6%B3%95%E5%9B%BD%E7%BA%A2%E9%85%92'
name = urllib.unquote(name)
# save to db

发现这种方式处理没有任何问题，name的值解码之后就是“法国红酒”，经过一番思考，原因只可能是出在self.get_argument("name")这处代码段了。原来，get_argument默认返回的是值的类型是unicode，而unquote方法处理unicode类型的字符时，直接返回的就是：

u'\xe6\xb3\x95\xe5\x9b\xbd\xe7\xba\xa2\xe9\x85\x92'

注意这里返回的值类型是unicode，也就是说unquote方法接收参数类型是unidoe，返回的值类型也是unicode，只不过是把"%"替换成了'\x'，最终由：

u"%E6%B3%95%E5%9B%BD%E7%BA%A2%E9%85%92"

替换为了：

u"\xe6\xb3\x95\xe5\x9b\xbd\xe7\xba\xa2\xe9\x85\x92"

而u"\xe6\xb3\x95\xe5\x9b\xbd\xe7\xba\xa2\xe9\x85\x92"完全就是一个ascii码字符串，只不过是用16进制表示的，我们再来看看'e6','b3'....分别对应ascii中的什么字符。你可以参考网址：http://www.ascii-code.com，'e6'是一个扩展的ascii字符，在128-255区间范围内，他对应的符号就是 'æ'

DEC    OCT    HEX    BIN           Symbol    
230    346    E6    11100110    æ

现在你应该明白为什么会生成乱码字符：

法国红é…

解决办法

在调用 self.get_argument('name') 方法之后，把返回的值转换成 str 类型：

name = self.get_argument("name", "")
name = str(name)
name = urllib.unquote(name)
# save to db

转换称str类型的字符串之后，相当于调用：

'\xe6\xb3\x95\xe5\x9b\xbd\xe7\xba\xa2\xe9\x85\x92'.decode("utf-8")
>>> u'\u6cd5\u56fd\u7ea2\u9152'