Python：解码 HTML 文件中的 base64 编码字符串，并将这些字符串替换为解码后的对应字符串

Question

请帮忙，因为这个翻转程序是我持续的噩梦！

我有几个包含一些 base64 编码字符串的文件。 示例文件的一部分内容如下：

charset=utf-8;base64,I2JhY2tydW5uZXJfUV81c3R7aGVpZ2h0OjkzcHg7fWJhY2tydW5uZXJfUV81c3R7ZGlzcGxheTpibG9jayFpbXBvcnRhbnQ7fQ==" 

它们始终采用“ANYTHINGbase64,STRING”格式 它是 html，但我将其视为一个大字符串并在其他地方使用 BeautifulSoup。我正在使用正则表达式'base'来提取base64字符串，然后根据我定义的函数“debase”使用base64模块对其进行解码。

这在一定程度上似乎没问题：b64encode 的输出由于某种原因添加了不必要的东西：

b'#backrunner_Q_5st{height:93px;}backrunner_Q_5st{display:block!important;}' 中间是字符串。

我猜这意味着以字节为单位；所以我尝试让我的函数将其编码为 utf8，但基本上我已经超出了我的深度。

我想要的最终结果是让我的 html 中的所有“base64,STRING”都被解码并替换为 DECODEDSTRING。

请帮忙！

import os, sys, bs4, re, base64, codecs
from bs4 import BeautifulSoup

def debase(instr):
    outstring = base64.b64decode(instr)
    outstring = codecs.utf_8_encode(str(outstring))
    outstring.split("'")[1]
    return outstring

base = re.compile('base64,(.*?)"')

for eachArg in sys.argv[1:]:
    a=open(eachArg,'r',encoding='utf8')
    presoup = a.read()
    b = re.findall(base, presoup)
    for value in b:
        re.sub('base64,.*?"', debase(value))
        print(debase(value))


    soup=BeautifulSoup(presoup, 'lxml')
    bname= str(eachArg).split('.')[0]
    a.close()
    [s.extract() for s in soup('script')]
    os.remove(eachArg)
    b=open(bname +'.html','w',encoding='utf8')
    b.write(soup.prettify())
    b.close()

Answer 1

您的输入格式有点奇怪（例如，结尾带有一个不匹配的单引号），因此请确保您没有做不必要的工作或以奇怪的方式解析内容。

无论如何，假设你的输入是给定的形式，你必须像刚才那样使用 base64 对其进行解码，然后使用给定的编码进行解码以获得字符串而不是字节串：

import base64

inp = 'charset=utf-8;base64,I2JhY2tydW5uZXJfUV81c3R7aGVpZ2h0OjkzcHg7fWJhY2tydW5uZXJfUV81c3R7ZGlzcGxheTpibG9jayFpbXBvcnRhbnQ7fQ=="'
head,tail = inp.split(';')
_,enc = head.split('=') # TODO: check if the beginning is "charset"
_,msg = tail.split(',') # TODO: check that the beginning is "base64"

plaintext_bytes = base64.b64decode(msg)
plaintext_str = plaintext_bytes.decode(enc)

现在两个结果是

>>> plaintext_bytes
b'#backrunner_Q_5st{height:93px;}backrunner_Q_5st{display:block!important;}'
>>> plaintext_str
'#backrunner_Q_5st{height:93px;}backrunner_Q_5st{display:block!important;}'

如您所见，字节的内容已经可读，这是因为内容是 ASCII。另请注意，我没有从您的字符串中删除尾随引号：base64 足够聪明，可以忽略内容中两个等式符号之后的内容。

---

简而言之，字符串是 python 3 中文本的某种抽象表示，如果您想用 1 和 0 流表示文本（从一个地方传输数据时需要），则需要特定的编码给另一个）。当您以字节为单位获取字符串时，您必须知道它是如何编码的，以便对其进行解码并获得正确的字符串。如果字符串与 ASCII 兼容，则编码相当简单，但是一旦出现更多通用字符，如果您使用错误的编码，您的代码就会中断。