¿Cómo reemplazar todas las subcadenas UTF-8 codificadas por porcentaje con texto UTF-8 simple?

9

Tengo un archivo html con mucho texto UTF-8 codificado en% en las URL.

Por ejemplo, "% D1% 80% D0% B5% D1% 81% D1% 83% D1% 80% D1% 81% D1% 8B" significa "ресурсы" ("recursos" en ruso).

La tarea es reemplazar todas esas subcadenas con texto legible UTF-8.

Para simplificar la tarea, podemos considerar que no hay otro %uso de signos en el archivo. Los dígitos de las letras pueden ser mayúsculas y minúsculas.

Sospecho que esto se puede hacer con elegancia sed, perl, awko algo, pero no saben cómo.

Esta aplicación web parece hacer el truco con el texto que pegas allí.

— Ivan
fuente

9

Con bash, zsh, GNU echo o algunas implementaciones de ksh en algunos sistemas, esto puede decodificarse simplemente echo -ereemplazando todo %por \x.

url_encoded_string="%D1%80%D0%B5%D1%81%D1%83%D1%80%D1%81%D1%8B"
temp_string=${url_encoded_string//%/\\x}

printf '%s\n' "$temp_string"
# output: \xD1\x80\xD0\xB5\xD1\x81\xD1\x83\xD1\x80\xD1\x81\xD1\x8B

echo -e "$temp_string"
# output: ресурсы

(Se supone que la cadena en sí no contiene caracteres de barra invertida y no es una de las opciones admitidas por su echocomando)

Como @JoshLee también señala, la "advertencia de eco" se puede evitar usando directamente:

printf ${url_encoded_string//%/\\x}

en cambio directamente detrás del primer comando.

— LiuYan 刘研
fuente

Tenga en cuenta que esta elegante solución funcionará con cualquier codificación, no solo con UTF-8 (es decir, elimine las codificaciones para ~ y otros. Otro truco para agregar a mi caja de herramientas. ¡Gracias!

— vonbrand

5

Con perl:

perl -pe 's/%([0-9A-F]{2})/pack"H2",$1/gei'

O con URI::Escape:

perl -MURI::Escape -pe '$_=uri_unescape$_'

— Stéphane Chazelas
fuente

Me encanta esto porque puedo canalizar lo que quiera gracias a $_ gnu.org/software/bash/manual/html_node/Special-Parameters.html

— Nemo

@Nemo, $_aquí hay perl's $_, no bash' s. En combinación con la -popción, la expresión perl se ejecuta para cada registro de entrada (los registros se leen de los archivos dados como argumento o stdin si no se proporciona ningún argumento), con el registro actual almacenado $_. Eso es similar a awk's $0.

— Stéphane Chazelas

0

Hay un programa llamado convmvque puede ayudarlo.

Simplemente use convmv --unescape /some_path/target_file. Hará una carrera en seco.

Una vez que haya confirmado, use convmv --notest --unescape /some_path/target_filepara continuar.

La página de inicio de este programa es: http://j3e.de/linux/convmv/

— Estrella brillante
fuente