Question

我有很长的域名列表，我需要生成一些报告。该列表包含一些IDN域，虽然我知道如何在命令行中在python中转换它们：

>>> domain = u"pfarmerü.com"
>>> domain
u'pfarmer\xfc.com'
>>> domain.encode("idna")
'xn--pfarmer-t2a.com'
>>>

我正在努力让它与一个从文本文件中读取数据的小脚本一起工作。

#!/usr/bin/python

import sys

infile = open(sys.argv[1])

for line in infile:
    print line,
    domain = unicode(line.strip())
    print type(domain)
    print "IDN:", domain.encode("idna")
    print

我得到以下输出：

$ ./idn.py ./test 
pfarmer.com
<type 'unicode'>
IDN: pfarmer.com

pfarmerü.com
Traceback (most recent call last):
  File "./idn.py", line 9, in <module>
    domain = unicode(line.strip())
UnicodeDecodeError: 'ascii' codec can't decode byte 0xfc in position 7: ordinal not in range(128)

我也尝试过：

#!/usr/bin/python

import sys
import codecs

infile = codecs.open(sys.argv[1], "r", "utf8")

for line in infile:
    print line,
    domain = line.strip()
    print type(domain)
    print "IDN:", domain.encode("idna")
    print

哪位给了我：

$ ./idn.py ./test       
Traceback (most recent call last):
  File "./idn.py", line 8, in <module>
    for line in infile:
  File "/usr/lib/python2.6/codecs.py", line 679, in next
    return self.reader.next()
  File "/usr/lib/python2.6/codecs.py", line 610, in next
    line = self.readline()
  File "/usr/lib/python2.6/codecs.py", line 525, in readline
    data = self.read(readsize, firstline=True)
  File "/usr/lib/python2.6/codecs.py", line 472, in read
    newchars, decodedbytes = self.decode(data, self.errors)
UnicodeDecodeError: 'utf8' codec can't decode bytes in position 0-5: unsupported Unicode code range

这是我的测试数据文件：

pfarmer.com
pfarmerü.com

我非常清楚我现在需要了解unicode。

谢谢，

彼得

Answer 1

您需要知道您保存的文件编码。这可能是'utf-8'（非Unicode）或'iso-8859-1'或'cp1252'等。

然后你可以做（假设'utf-8'）：


infile = open(sys.argv[1])

for line in infile:
    print line,
    domain = line.strip().decode('utf-8')
    print type(domain)
    print "IDN:", domain.encode("idna")
    print

使用decode将编码字符串转换为unicode。将unicode转换为encode的字符串。如果你试图对已编码的东西进行编码，python会首先尝试解码，默认编解码器'ascii'对于非ASCII值失败。

Answer 2

你的第一个例子很好，除了：

domain = unicode(line.strip())

您必须在此处指定特定编码：unicode(line.strip(), 'utf-8')。否则，您将获得默认编码，安全性为7位ASCII，因此出错。或者你可以拼写它line.strip().decode('utf-8')，就像在knitti的例子中一样;两种语法之间的行为没有区别。

但是，根据错误判断“无法解码字节0xfc”，我认为您实际上并未将test文件保存为UTF-8。据推测，这就是为什么原则上看起来也不错的第二个例子失败了。

相反，它是ISO-8859-1或非常相似的Windows代码页1252.如果它来自西方Windows盒子上的文本编辑器，它肯定会是后者;现在，Linux机器默认使用UTF-8。确保将文件保存为UTF-8，或使用编码'cp1252'读取文件。

在python中将域名转换为idn

2 个答案: