如何提取从开始到第一个无base64有效字符的有效字符串？

Question

我有base64编码的字符串，但在结尾有时会出现一些尾随垃圾，总是以没有有效的base64字符开头。如何提取从开始到第一个无base64有效字符的有效字符串？在

例如：

data = "(there  is more valid content)gw3AQEFGh8NFgoqDwYsAQALDVFPVltYVkNGXldCRFUbNRk=----------:jhawrewre:--\r\n"

有效部分将没有"----------:jhawrewre:--\r\n"

^{pr2}$

Answer 1

可以使用正则表达式删除无效部分：

import re

invalid_tail = re.compile(r'[^a-zA-Z0-9+/=\n\r].*$')

def remove_tail(base64_value):
    return invalid_tail.sub('', base64_value)

[^a-zA-Z0-9+/=\n\r]匹配任何非有效Base64字符的字符，加上尾随的=填充、换行符和回车符（在编码值中允许换行）。在

演示：

^{pr2}$

或者，使用样品的可解码部分：

>>> data = "3AQEFGh8NFgoqDwYsAQALDVFPVltYVkNGXldCRFUbNRk=     :jhawrewre: \r\n"
>>> remove_tail(data).decode('base64')
'\xdc\x04\x04\x14h|4X(\xa8<\x18\xb0\x04\x00,5E=YmaY\r\x19y]\t\x11Tl\xd4d'

此解决方案在速度上轻松击败itertools.takewhile()选项：

>>> import timeit
>>> text = "gw3AQEFGh8NFgoqDwYsAQALDVFPVltYVkNGXldCRFUbNRk=     :jhawrewre: \r\n"
>>> timeit.timeit('test(text)', 'from __main__ import with_takewhile as test, text')
11.785380125045776
>>> timeit.timeit('test(text)', 'from __main__ import with_re as test, text')
1.480334997177124

对于这个简单的示例，使用正则表达式的速度几乎快10倍；对于较长的文本，结果将更快。在

Answer 2

您可以使用^{}：

Make an iterator that returns elements from the iterable as long as the predicate is true.

演示：

>>> from itertools import takewhile
>>> from string import letters,digits
>>> valid_chars = letters + digits + '+/='
>>> text = "gw3AQEFGh8NFgoqDwYsAQALDVFPVltYVkNGXldCRFUbNRk=     :jhawrewre: \r\n"
>>> "".join(takewhile(lambda x:x in valid_chars, text))
'gw3AQEFGh8NFgoqDwYsAQALDVFPVltYVkNGXldCRFUbNRk='