Python：解码HTML文件中的base64编码字符串，并用解码后的字符串替换这些字符串

请帮助我，因为这个翻页程序是我的噩梦

我有几个文件，其中包括一些base64编码的字符串。 示例文件的一部分内容如下：

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

它们的格式始终为“ANYTHINGbase64，STRING” 它是html，但我将其视为一个大字符串，并在其他地方使用BeautifulSoup。我使用正则表达式“base”提取base64字符串，然后使用base64模块根据我定义的函数“debase”对其进行解码

这似乎在某种程度上是正常的：出于某种原因，b64encode的输出添加了不必要的内容：

b′.RunRunnEnqQ5St{{高度：93px；} RunRunnLyqQ5St{显示：块！重要；}用字符串中的东西。

我猜这意味着以字节为单位；所以我试着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对html中的所有“base64，STRING”进行解码并替换为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()

---

您的输入格式有点奇怪（例如，后面有一个不匹配的单引号），所以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，假设输入的格式是给定的，则必须按照刚才的方式使用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bytestring：

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)

现在这两个结果是一致的

>>> 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，字节的内容已经是可读的，这是因为内容是ASCII。还要注意，我没有从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，字符串在Python3中是文本的一种抽象表示形式，如果您想用一个1和0的流来表示文本（当您将数据从一个地方传输到另一个地方时需要使用该流），则需要特定的编码。当你得到一个以字节为单位的字符串时，你必须知道它是如何编码的，以便对它进行解码并获得一个合适的字符串。如果字符串是ASCII兼容的，那么编码就相当简单，但是一旦出现更多的通用字符，如果使用错误的编码，代码就会中断。

您的输入格式有点奇怪（例如，后面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，假设输入的格式是给定的，则必须按照刚才的方式使用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bytestring：

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)

现在这两个结果是一致的

>>> 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，字节的内容已经是可读的，这是因为内容是ASCII。还要注意，我没有从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，字符串在Python3中是文本的一种抽象表示形式，如果您想用一个1和0的流来表示文本（当您将数据从一个地方传输到另一个地方时需要使用该流），则需要特定的编码。当你得到一个以字节为单位的字符串时，你必须知道它是如何编码的，以便对它进行解码并获得一个合适的字符串。如果字符串是ASCII兼容的，那么编码是相当微不足道的，但是一旦出现更多的通用字符，如果使用错误的编码，您的代码将中断。字符集告诉您编码是utf8，如果使用

utf8

对这些字节进行解码，您将得到“相同”的结果：都是ASCII码。所以问题是为什么这些字符会出现在base64编码字符串中。根据您的输出，我认为您的解码尝试是正确的。抱歉，我不明白的是，我正在尝试删除一个额外的b''和撇号，以便能够以纯文本形式交换它。但是输出似乎是二进制或字节数据，中间的字符在BASE64编码的字符串中确实存在；字符集告诉您编码是utf8，如果使用

utf8

对这些字节进行解码，您将得到“相同”的结果：都是ASCII码。所以问题是为什么这些字符会出现在base64编码字符串中。根据您的输出，我认为您的解码尝试是正确的。抱歉，我不明白的是，我正在尝试删除一个额外的b''和撇号，以便能够以纯文本形式交换它。但输出似乎是二进制或字节数据快速问：为什么有单尾随引号，我用它来描绘正则表达式的边界：有没有一种方法可以让正则表达式停止，而不知道第一个非base64编码字符在哪里？@lgjmac末尾的两个等式符号表示base64字符串的填充端。始终可以在正则表达式中显式地将要匹配的字符作为base64字符串的一部分；但老实说，我怀疑使用beautifulsoup本身来提取所需信息（即标记/字段/任何包含base64字符串的内容，而不必使用正则表达式）应该很简单，毕竟它是一个html解析器库。如果您不能这样做，您可以编写一个只匹配base64使用的64个字符的讨厌的正则表达式。我想试试后一种。快速问：为什么后面有一个单引号，我用它来描绘正则表达式的边界：有没有一种方法可以让正则表达式停止，而不知道第一个非base64编码字符在哪里？@lgjmac末尾的两个等式符号表示base64字符串的填充端。作为bas的一部分，始终可以显式包含要匹配的字符