如何在Python 3中获取argv的原始字节数据（含任意特殊字节）

要解决这个问题，核心是绕开Python对sys.argv的自动编码/解码处理——因为sys.argv的字符串是Python根据系统文件编码解码后的结果，必然会破坏原始字节的完整性（比如非法UTF-8字节被替换，合法UTF-8字节被转成Unicode字符，导致无法还原原始字节）。

我们需要直接从底层C层面获取进程启动时传入的原始argv字节数组，下面是跨平台的实现方案：

跨平台解决方案（使用ctypes） #

这个方法直接访问C运行时的argv数据，完全跳过Python的编码处理，能完整保留所有原始字节：

import ctypes
import sys

def get_raw_argv_bytes():
    if sys.platform.startswith('win'):
        # Windows平台：通过CRT函数获取原始ANSI命令行并解析为argv
        kernel32 = ctypes.WinDLL('kernel32', use_last_error=True)
        shell32 = ctypes.WinDLL('shell32', use_last_error=True)
        
        # 获取原始ANSI命令行字符串
        kernel32.GetCommandLineA.restype = ctypes.c_char_p
        cmd_line = kernel32.GetCommandLineA()
        
        # 将命令行解析为argv数组
        shell32.CommandLineToArgvA.restype = ctypes.POINTER(ctypes.c_char_p)
        argc = ctypes.c_int()
        argv = shell32.CommandLineToArgvA(cmd_line, ctypes.byref(argc))
        
        if not argv:
            raise ctypes.WinError(ctypes.get_last_error())
        
        try:
            # 提取第一个参数（跳过脚本路径）并读取原始字节
            raw_args = []
            for i in range(1, argc.value):
                arg_ptr = argv[i]
                if arg_ptr:
                    arg_bytes = b''
                    offset = 0
                    while True:
                        b = ctypes.c_char.from_address(ctypes.addressof(arg_ptr) + offset).value
                        if b == b'\x00':
                            break
                        arg_bytes += b
                        offset += 1
                    raw_args.append(arg_bytes)
            return raw_args[0] if len(raw_args) == 1 else raw_args
        finally:
            # 释放CRT分配的内存
            kernel32.LocalFree.argtypes = [ctypes.c_void_p]
            kernel32.LocalFree(argv)
    else:
        # Unix-like平台：直接访问libc的全局argc和argv变量
        libc = ctypes.CDLL(None)
        argc = ctypes.c_int.in_dll(libc, 'argc')
        argv = ctypes.POINTER(ctypes.c_char_p).in_dll(libc, 'argv')
        
        raw_args = []
        for i in range(1, argc.value):
            arg_ptr = argv[i]
            if arg_ptr:
                arg_bytes = b''
                offset = 0
                while True:
                    b = ctypes.c_char.from_address(ctypes.addressof(arg_ptr) + offset).value
                    if b == b'\x00':
                        break
                    arg_bytes += b
                    offset += 1
                raw_args.append(arg_bytes)
        return raw_args[0] if len(raw_args) == 1 else raw_args

# 验证你的断言
raw_argv = get_raw_argv_bytes()
assert raw_argv == b'123\xffABC\xe2\x98\xba\x20'

方案原理说明 #

• Unix-like系统：直接通过ctypes访问C标准库的全局argc和argv变量，这些就是进程启动时内核传递的原始字节数组，没有经过任何Python层面的编码处理。
• Windows系统：利用CRT的CommandLineToArgvA函数，将原始ANSI编码的命令行解析为argv数组，确保拿到的是和C程序传入一致的原始字节。

为什么这个方案能避免无效结果 #

• 不会将\xff错误编码为\xc3\xbf：完全跳过了UTF-8解码步骤，直接保留原始字节。
• 不会出现编码错误：不需要对Unicode字符进行反向编码，因为根本没有经过解码。
• 不会丢失任何字节：无论是单个的非法UTF-8字节（如\xff），还是合法的多字节UTF-8序列（如\xe2\x98\xba），都会完整保留。

内容的提问来源于stack exchange，提问作者JamesTheAwesomeDude