python - 查找、解码并替换文本文件中的所有 Base64 值

Question

我有一个 SQL 转储文件，其中包含带有 html 链接的文本，例如:

<a href="http://blahblah.org/kb/getattachment.php?data=NHxUb3Bjb25fZGF0YS1kb3dubG9hZF9ob3d0by5wZGY=">attached file</a>

我想查找、解码并替换每个链接中文本的 Base64 部分。

我一直在尝试使用带有正则表达式和 base64 的 Python 来完成这项工作。但是，我的正则表达式技能无法胜任这项任务。

我需要选择以

开头的任何字符串

'getattachement.php?data=' 

并以

结尾

'"'

然后我需要使用 base64.b64decode() 解码 'data=' 和 '"' 之间的部分

结果应该类似于:

<a href="http://blahblah.org/kb/4/Topcon_data-download_howto.pdf">attached file</a>

我认为解决方案如下:

import re
import base64
with open('phpkb_articles.sql') as f:
    for line in f:
        re.sub(some_regex_expression_here, some_function_here_to_decode_base64)

有什么想法吗？

编辑:回答任何感兴趣的人。

import re
import base64
import sys


def decode_base64(s):
    """
    Method to decode base64 into ascii
    """
    # fix escaped equal signs in some base64 strings
    base64_string = re.sub('%3D', '=', s.group(1))
    decodedString = base64.b64decode(base64_string)

    # substitute '|' for '/'
    decodedString = re.sub('\|', '/', decodedString)

    # escape the spaces in file names
    decodedString = re.sub(' ', '%20', decodedString)

    # print 'assets/' + decodedString + '&quot'  # Print for debug
    return 'assets/' + decodedString + '&quot'


count = 0

pattern = r'getattachment.php\?data=([^&]+?)&quot'

# Open the file and read line by line
with open('phpkb_articles.sql') as f:
    for line in f:
        try:
            # globally substitute in new file path
            edited_line = re.sub(pattern, decode_base64, line)
            # output the edited line to standard out
            sys.stdout.write(edited_line)
        except TypeError:
            # output unedited line if decoding fails to prevent corruption
            sys.stdout.write(line)
            # print line
            count += 1

Answer 1

你已经有了它，你只需要小块:

pattern: r'data=([^&]+?)"' 将匹配 data= 之后和 "< 之前的任何内容/p>

>>> pat = r'data=([^&]+?)&quot'
>>> line = '<a href="http://blahblah.org/kb/getattachment.php?data=NHxUb3Bjb25fZGF0YS1kb3dubG9hZF9ob3d0by5wZGY=">attached file</a>'
>>> decodeString = re.search(pat,line).group(1) #because the b64 string is capture by grouping, we only want group(1)
>>> decodeString
'NHxUb3Bjb25fZGF0YS1kb3dubG9hZF9ob3d0by5wZGY='

然后您可以使用 str.replace() 方法以及 base64.b64decode() 方法来完成剩下的工作。我不想只为您编写代码，但这应该可以让您很好地了解该去哪里。