將八進制的字符串轉化為中文字符串（笨方法）

在爬取抖音的時候，由於抖音序列化使用的是protobuf，反序列化后，中文顯示的是八進制字符串，需要將八進制轉化為中文。網上找了好久，沒有找到現成的方法，就自己寫了一個比較笨的方法。

一、思路

源字符串是夾雜着八進制字符串和英文字母的字符串，如:

 

"

ssssssssssssssssfffffffffffffffffffffddddddddddddddddddsssssssssssss\\229\\156\\168\\233\\169\\190sdfsafsasfsddddddddddddd

"

以上只是示例，實際上，字符串會很會長。

而三個八進制字符串代表一個中文字符。所以，我們要先用正則表達式將八進制字符串匹配出來，三個為一組。

然后將這三個八進制字符串轉換為漢字，再將其替換到原文之中。（re.sub()）

 

二、那么如何將三個八進制字符串轉換為數字呢？

思路是將八進制轉換為十進制數字，然后利用bytes將十進制數轉換為byte，最后再decode('utf8')即可。

bytes有一個方法，將一個10進制的列表轉換為一個漢字：

即：

　　bytes([232, 174, 176])

 

如：

\\229\\156\\168

上面是三個八進制字符串

    ls = value.split('\\')[1:]  #將8進制字符串分開，放入列表
    ls = [int(i,8) for i in ls]   #將8進制轉為10進制
    try:
        return  bytes(ls).decode('utf8')  #將10進制的列表直接轉為一個漢字
    except UnicodeDecodeError:   #如果出現編碼錯誤（即不存在該編碼），則返回“！錯！”
        return '！錯！'

 

三、代碼

 

import re

def sub_str(value):
    ls = value.group().split('\\')[1:]
    ls = [int(i,8) for i in ls]
    print(ls)
    try:
        return  bytes(ls).decode('utf8')
    except UnicodeDecodeError:
        return '！錯！'

text = re.sub(r'(?:\\\d{3}){3}', sub_str, text) #sub為替換，可以使用函數。

sub的使用：請參見：
https://blog.csdn.net/qq_27061049/article/details/90708624

 

 

 以上即可以將穿插在英文中的八進制字符串轉化為中文，並用中文替換該八進制字符串。

如果大家有簡便的方法，煩請告知。