解码/编码如何忽略可能的错误并删除/替换错误的字符？

Question

我正在使用urllib2来获取网站的源代码，然后我使用正则表达式过滤bas64编码的字符串，并迭代它将匹配传递给函数：

def Base64Decoder(match):  
    curMatch = match.group().decode('utf-8', errors='ignore')  
    decoded = base64.b64decode(curMatch)   
    return decoded

当我打印出Base64Decoder的返回值时，某些字符错误，如何正确过滤它们？我不想看到如下的乱语：

网站的编码是utf-8但是urllib的返回值似乎是unicode？

编辑：源代码看起来像这样（原始）

<td style="text-align:left; font-weight:bold;"><script type="text/javascript">document.write(Base64.decode("MzEuMTMuMTcuMjE0"))</script></td>

并且过滤后的字符串Base64.decode("MzEuMTMuMTcuMjE0条带化为MzEuMTMuMTcuMjE0

Answer 1

您可能没有正确剥离它，Base64.decode("前缀也会在条带后留在字符串中。您可以在下一个示例中看到：

>>> print base64.b64decode('Base64.decode("MzEuMTMuMTcuMjE0')
��^r�^31.13.17.214

如果你有类似的模式：

>>> pattern = re.compile('Base64.decode\("(...)"\)')

（参见问题：RegEx to parse or validate Base64 data）

group()将返回完全匹配的字符串：

>>> pattern.search(s).group()
'Base64.decode("MzEuMTMuMTcuMjE0")'

你需要的是：

>>> pattern.search(s).groups()[0]
'MzEuMTMuMTcuMjE0'