在python中将域名转换为idn

Question

我有一个很长的域名名单，我需要生成一些报告。该列表包含一些IDN域，尽管我知道如何在命令行上将它们转换为python：

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

我正在努力让它使用一个从文本文件读取数据的小脚本。

#!/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

这给了我：

$ ./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

下面是我的测试数据文件：

pfarmer.com
pfarmerü.com

我非常清楚我现在需要理解unicode。

谢谢,

彼得

Answer 1

你需要知道你的文件是用哪种编码保存的。这将是类似于'utf-8‘(不是Unicode)或'iso-8859-1’或'cp1252‘或类似的东西。

然后你可以这样做(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。使用encode将unicode转换为字符串。如果你尝试对已经编码的东西进行编码，python会首先尝试解码，默认的编解码器'ascii‘对于非ASCII值是失败的。

Answer 2

您的第一个示例很好，只是：

domain = unicode(line.strip())

您必须在此处指定一个特定的编码：unicode(line.strip(), 'utf-8')。否则，您将得到默认编码，出于安全考虑，它是7位ASCII，因此会出现错误。或者，您可以将其拼写为line.strip().decode('utf-8')，就像在syntaxes的示例中一样；这两种语法之间的行为没有区别。

但是，根据错误“can‘t decode byte 0xfc”判断，我认为您实际上并没有将test文件保存为UTF-8。大概这就是第二个例子失败的原因，这个例子在原则上看起来也没问题。

相反，它是ISO-8859-1或非常类似的Windows代码页1252。如果它来自西方Windows机器上的文本编辑器，那么它肯定是后者；Linux机器现在默认使用UTF-8。请确保将文件另存为UTF-8，或者使用编码'cp1252'读取文件。