我正在使用Python和Django,但我遇到了由MySQL限制引起的问题。根据{{3}},他们的utf8
实现不支持4字节字符。 MySQL 5.1 documentation将使用utf8mb4
支持4字节字符;并且,在将来的某一天,utf8
也可能会支持它。
但是我的服务器还没有准备好升级到MySQL 5.5,因此我只限于3字节或更少的UTF-8字符。
我的问题是:如何过滤(或替换)超过3个字节的unicode字符?
我想用官方\ufffd
( U + FFFD REPLACEMENT CHARACTER )或?
替换所有4字节字符。
换句话说,我想要一种与Python自己的MySQL 5.5方法非常相似的行为(传递'replace'
参数时)。 编辑:我想要一个类似于encode()
的行为,但我不想实际编码字符串。我想在过滤后仍然有一个unicode字符串。
我不想在存储到MySQL之前转义字符,因为这意味着我需要从数据库中获取所有字符串,这非常烦人且不可行。
另见:
str.encode()
(在Django门票系统中)到目前为止我得到了很好的答案。谢谢,人!现在,为了选择其中一个,我做了一个快速测试,找到最简单和最快的一个。
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# vi:ts=4 sw=4 et
import cProfile
import random
import re
# How many times to repeat each filtering
repeat_count = 256
# Percentage of "normal" chars, when compared to "large" unicode chars
normal_chars = 90
# Total number of characters in this string
string_size = 8 * 1024
# Generating a random testing string
test_string = u''.join(
unichr(random.randrange(32,
0x10ffff if random.randrange(100) > normal_chars else 0x0fff
)) for i in xrange(string_size) )
# RegEx to find invalid characters
re_pattern = re.compile(u'[^\u0000-\uD7FF\uE000-\uFFFF]', re.UNICODE)
def filter_using_re(unicode_string):
return re_pattern.sub(u'\uFFFD', unicode_string)
def filter_using_python(unicode_string):
return u''.join(
uc if uc < u'\ud800' or u'\ue000' <= uc <= u'\uffff' else u'\ufffd'
for uc in unicode_string
)
def repeat_test(func, unicode_string):
for i in xrange(repeat_count):
tmp = func(unicode_string)
print '='*10 + ' filter_using_re() ' + '='*10
cProfile.run('repeat_test(filter_using_re, test_string)')
print '='*10 + ' filter_using_python() ' + '='*10
cProfile.run('repeat_test(filter_using_python, test_string)')
#print test_string.encode('utf8')
#print filter_using_re(test_string).encode('utf8')
#print filter_using_python(test_string).encode('utf8')
结果:
filter_using_re()
在 0.139 CPU秒(sub()
内置的0.138 CPU秒)中执行了515次函数调用filter_using_python()
在 3.413 CPU秒中执行2097923次函数调用(join()
调用时为1.511 CPU秒,评估生成器表达式为1.900 CPU秒)itertools
进行测试,因为......嗯......这个解决方案虽然很有趣,却非常庞大而复杂。到目前为止,RegEx解决方案是最快的解决方案。
答案 0 :(得分:34)
范围\ u0000- \ uD7FF和\ uE000- \ uFFFF中的Unicode字符在UTF8中将具有3个字节(或更少)的编码。 \ uD800- \ uDFFF范围适用于多字节UTF16。我不知道python,但你应该能够设置一个正则表达式来匹配那些范围之外。
pattern = re.compile("[\uD800-\uDFFF].", re.UNICODE)
pattern = re.compile("[^\u0000-\uFFFF]", re.UNICODE)
编辑在问题正文中添加来自DenilsonSá脚本的Python:
re_pattern = re.compile(u'[^\u0000-\uD7FF\uE000-\uFFFF]', re.UNICODE)
filtered_string = re_pattern.sub(u'\uFFFD', unicode_string)
答案 1 :(得分:6)
您可以跳过解码和编码步骤,直接检测每个字符的第一个字节(8位字符串)的值。根据UTF-8:
#1-byte characters have the following format: 0xxxxxxx
#2-byte characters have the following format: 110xxxxx 10xxxxxx
#3-byte characters have the following format: 1110xxxx 10xxxxxx 10xxxxxx
#4-byte characters have the following format: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
根据这个,你只需要检查每个字符的第一个字节的值来过滤掉4个字节的字符:
def filter_4byte_chars(s):
i = 0
j = len(s)
# you need to convert
# the immutable string
# to a mutable list first
s = list(s)
while i < j:
# get the value of this byte
k = ord(s[i])
# this is a 1-byte character, skip to the next byte
if k <= 127:
i += 1
# this is a 2-byte character, skip ahead by 2 bytes
elif k < 224:
i += 2
# this is a 3-byte character, skip ahead by 3 bytes
elif k < 240:
i += 3
# this is a 4-byte character, remove it and update
# the length of the string we need to check
else:
s[i:i+4] = []
j -= 4
return ''.join(s)
跳过解码和编码部分可以节省一些时间,对于大多数具有1字节字符的较小字符串,这甚至可能比正则表达式过滤更快。
答案 2 :(得分:1)
编码为UTF-16,然后重新编码为UTF-8。
>>> t = u''
>>> e = t.encode('utf-16le')
>>> ''.join(unichr(x).encode('utf-8') for x in struct.unpack('<' + 'H' * (len(e) // 2), e))
'\xed\xa0\xb5\xed\xb0\x9f\xed\xa0\xb5\xed\xb0\xa8\xed\xa0\xb5\xed\xb0\xa8'
请注意,您无法在加入后进行编码,因为代理对可能会在重新编码之前被解码。
修改强>
MySQL(至少5.1.47)处理代理对没有问题:
mysql> create table utf8test (t character(128)) collate utf8_general_ci;
Query OK, 0 rows affected (0.12 sec)
...
>>> cxn = MySQLdb.connect(..., charset='utf8')
>>> csr = cxn.cursor()
>>> t = u''
>>> e = t.encode('utf-16le')
>>> v = ''.join(unichr(x).encode('utf-8') for x in struct.unpack('<' + 'H' * (len(e) // 2), e))
>>> v
'\xed\xa0\xb5\xed\xb0\x9f\xed\xa0\xb5\xed\xb0\xa8\xed\xa0\xb5\xed\xb0\xa8'
>>> csr.execute('insert into utf8test (t) values (%s)', (v,))
1L
>>> csr.execute('select * from utf8test')
1L
>>> r = csr.fetchone()
>>> r
(u'\ud835\udc1f\ud835\udc28\ud835\udc28',)
>>> print r[0]
答案 3 :(得分:1)
只是为了它的乐趣,itertools
怪物:)
import itertools as it, operator as op
def max3bytes(unicode_string):
# sequence of pairs of (char_in_string, u'\N{REPLACEMENT CHARACTER}')
pairs= it.izip(unicode_string, it.repeat(u'\ufffd'))
# is the argument less than or equal to 65535?
selector= ft.partial(op.le, 65535)
# using the character ordinals, return 0 or 1 based on `selector`
indexer= it.imap(selector, it.imap(ord, unicode_string))
# now pick the correct item for all pairs
return u''.join(it.imap(tuple.__getitem__, pairs, indexer))
答案 4 :(得分:1)
根据the MySQL 5.1 documentation:“ucs2和utf8字符集不支持BMP之外的补充字符。”这表明代理对可能存在问题。
请注意,Unicode standard 5.2 chapter 3实际上禁止将代理项对编码为两个3字节UTF-8序列而不是一个4字节UTF-8序列...请参阅第93页“”“因为代理代码这些点不是Unicode标量值,否则任何UTF-8字节序列都会映射到代码点D800..DFFF格式不正确。“”“然而,这种禁止是我所知的很大程度上未知或被忽略。
检查MySQL对代理对的作用可能是个好主意。如果不保留它们,则此代码将提供足够简单的检查:
all(uc < u'\ud800' or u'\ue000' <= uc <= u'\uffff' for uc in unicode_string)
并且此代码将使用u\ufffd
替换任何“恶意”:
u''.join(
uc if uc < u'\ud800' or u'\ue000' <= uc <= u'\uffff' else u'\ufffd'
for uc in unicode_string
)
答案 5 :(得分:0)
我猜它不是最快的,但很简单(“pythonic”:):
def max3bytes(unicode_string):
return u''.join(uc if uc <= u'\uffff' else u'\ufffd' for uc in unicode_string)
注意:此代码不考虑到Unicode在U + D800-U + DFFF范围内具有代理字符这一事实。