如何正确解码以十进制编写的字符串中的转义序列答案

【问题标题】：How to decode escape sequence in string written in decimal properly如何正确解码以十进制编写的字符串中的转义序列
【发布时间】：2019-07-18 21:31:41
【问题描述】：

我有一段代码，其中包含用十进制编写的 UTF-8 转义序列的字符串，例如

my_string = "Hello\035"

这应该被解释为

Hello#

我不介意解析十进制值，到目前为止，我已经对整个字符串使用了这样的东西，这似乎效果最好（没有错误并且做了一些事情）：

print(codecs.escape_decode(my_string)[0].decode("utf-8"))

但是编号似乎很不正确，因为我必须使用 \043 转义序列才能正确解码 hastag (#)，并且所有其他字符都是相同的。

【问题讨论】：

这些转义序列从何而来？发件人可能不知道 Python 将字符串中的反斜杠和三位数字解释为 octal 值，而不是十进制值。也许如果你消除了这个困惑，那么他们会很乐意使用 043（它是 35 的八进制形式）来表示一个哈希标签。
这是一个学校项目，我们必须能够处理这样的输入：\xyz，范围是从000到999，但它是十进制，而不是八进制
@Sandeep 是的，我知道这一点，但我得到了十进制的转义序列，因为这是一个学校项目，即使我想要，我也无法将输入更改为更合理的值到
@Sandeep：OP 知道我的想法。问题是当它用十进制写时如何处理。
... 如果是 input 值，情况就不同了。在这种情况下，您可以获得单个字符，并且可以解析该输入。

标签： python unicode utf-8 unicode-escapes

【解决方案1】：

您不能明确地检测并替换字符串文字中的所有\ooo 转义序列，因为在您的第一行代码运行之前，这些转义序列已不可挽回地替换为其对应的字符值。就 Python 而言，"foo\041" 和 "foo!" 100% 相同，无法确定前一个对象是用转义序列定义的，而后者不是。

如果您对输入数据的形式有一定的灵活性，那么您仍然可以做您想做的事情。例如，如果您被允许使用原始字符串而不是常规字符串，则r"Hello\035" 在运行前不会被解释为“你好，后跟一个哈希标签”。它将被解释为“你好，后跟反斜杠，后跟 0 3 和 5”。由于仍然可以访问数字字符，因此您可以在代码中操作它们。例如，

import re

def replace_decimal_escapes(s):
    return re.sub(
        #locate all backslashes followed by three digits
        r"\\(\d\d\d)",
        #fetch the digit group, interpret them as decimal integer, then get cooresponding char
        lambda x: chr(int(x.group(1), 10)), 
        s
    )

test_strings = [
    r"Hello\035",
    r"foo\041",
    r"The \040quick\041 brown fox jumps over the \035lazy dog"
]

for s in test_strings:
    result = replace_decimal_escapes(s)
    print("input:  ", s)
    print("output: ", result)

结果：

input:   Hello\035
output:  Hello#
input:   foo\041
output:  foo)
input:   The \040quick\041 brown fox jumps over the \035lazy dog
output:  The (quick) brown fox jumps over the #lazy dog

另外，如果您通过input() 获取输入字符串，此方法也适用，因为用户在该提示中键入的反斜杠不会被解释为转义序列。如果您执行print(replace_decimal_escapes(input())) 并且用户键入“Hello\035”，则输出将根据需要为“Hello#”。

【讨论】：