为部分 utf8 编码的 URL 查找解析 API答案

【问题标题】：Finding a parsing API for partially utf8 encoded URL's为部分 utf8 编码的 URL 查找解析 API
【发布时间】：2008-12-11 16:25:31
【问题描述】：

在解析某些网页的 HTML 时（尤其是任何 Windows Live 页面），我会遇到很多以下格式的 URL。

http\x3a\x2f\x2fjs.wlxrs.com\x2fjt6xQREgnzkhGufPqwcJjg\x2fempty.htm

这些似乎是部分 UTF8 转义字符串（\x2f = /、\x3a=: 等……）。是否有可用于将这些字符串转换为 System.Uri 的 .Net API？似乎很容易解析，但我今天试图避免建造一个新轮子。

【问题讨论】：

仅供参考。请注意，将此 url 作为字符串粘贴到浏览器控制台中将提供正确的输出。（不是真实的，但仅供参考）i.stack.imgur.com/2md5D.jpg
这里有在线工具来玩它...javascriptobfuscator.com/Default.aspx

标签： c# .net uri

【解决方案1】：

您发布的内容不是有效的 HTTP。因此，HttpUtility.UrlDecode() 当然是行不通的。但不管怎样，您都可以将其转回正常文本，如下所示：

string input = @"http\x3a\x2f\x2fjs.wlxrs.com\x2fjt6xQREgnzkhGufPqwcJjg\x2fempty.htm";
string output = Regex.Replace(input, @"\\x([0-9a-f][0-9a-f])",
    m => ((char) int.Parse(m.Groups[1].Value, NumberStyles.HexNumber)).ToString());

但请注意，这是假定编码是 Latin-1 而不是 UTF-8。您提供的输入在这方面没有定论。如果需要 UTF-8 才能工作，则需要稍长的路由；您必须将字符串转换为字节，并将转义序列替换为进程中的相关字节（可能需要一个 while 循环），然后在生成的字节数组上使用 Encoding.UTF8.GetString()。

【讨论】：

你是什么意思 UTF-8 工作 ？他有一个默认为 unicode 的字符串。你可以解释吗？（附：+1）
@RoyiNamir：他的示例仅包含 ASCII 字符。目前还不清楚他希望如何对非 ASCII 字符进行编码，比如说á。如果它被编码为 \xe1，那么它就是 Latin-1（不是 Unicode）。如果它被编码为\xc3\xa1，那么它是UTF-8，这意味着几个字节用于编码单个字符。由于他的编码似乎在\x 之后采用两个十六进制数字，因此不能使用 UTF-16 或 UTF-32。
如果我在控制台\xe1 中写入，它代表的是unicode char 还是utf8 编码？ js是怎么处理的？

【解决方案2】：

这是另一个解决方案：（从@timwi 解决方案继续）

string output = Regex.Replace(input, @"\\x([0-9a-f][0-9a-f])",
            m => ((char)Convert.ToInt32(m.Groups[1].Value, 16)).ToString());

【讨论】：

【解决方案3】：

你试过HttpUtility.UrlDecode吗？

【讨论】：