PythonとDjangoを使用していますが、MySQLの制限が原因で問題が発生しています。 MySQL 5.1のドキュメント によると、それらの_utf8
_実装は4バイト文字をサポートしていません MySQL 5.5 は_utf8mb4
_を使用して4バイト文字をサポートし、将来的には_utf8
_もサポートする可能性があります。
しかし、私のサーバーはMySQL 5.5にアップグレードする準備ができていないため、3バイト以下のUTF-8文字に制限されています。
私の質問は:3バイト以上かかるユニコード文字をフィルタリング(または置換)する方法
すべての4バイト文字を公式の_\ufffd
_(U + FFFD REPLACEMENT CHARACTER)または_?
_に置き換えたい。
つまり、Python独自の str.encode()
メソッド(_'replace'
_パラメータを渡す場合)と非常によく似た動作が必要です。 編集:encode()
と同様の動作が必要ですが、実際には文字列をエンコードしたくありません。フィルタリング後もUnicode文字列を保持したい
MySQLに格納する前に文字をエスケープしたくないので、データベースから取得するすべての文字列のエスケープを解除する必要があるため、非常に煩わしく、実行不可能です。
以下も参照してください。
これまでのところ、良い答えを得ました。ありがとう、人々!次に、それらの1つを選択するために、簡単なテストを行って、最も単純で最速のものを見つけました。
_#!/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')
_
結果:
filter_using_re()
は515個の関数呼び出しを実行しました0.139 CPU秒(sub()
組み込みで0.138 CPU秒)filter_using_python()
は2097923関数呼び出しを3.413 CPU秒で実行しました(join()
呼び出しで1.511 CPU秒と1.900 CPUジェネレータ式を評価する秒数)itertools
を使用してテストしませんでした...ええと...その解決策は興味深いものの、非常に大きく複雑でした。RegExソリューションは、断然、最速のソリューションでした。
\ u0000-\uD7FFおよび\ uE000-\uFFFFの範囲のUnicode文字は、UTF8で3バイト(またはそれ以下)のエンコーディングになります。\uD800-\uDFFFの範囲は、マルチバイトUTF16用です。私はpythonを知りませんが、これらの範囲外で一致するように正規表現を設定できるはずです。
pattern = re.compile("[\uD800-\uDFFF].", re.UNICODE)
pattern = re.compile("[^\u0000-\uFFFF]", re.UNICODE)
質問本文にPython from DenilsonSáのスクリプトを追加して編集します。
re_pattern = re.compile(u'[^\u0000-\uD7FF\uE000-\uFFFF]', re.UNICODE)
filtered_string = re_pattern.sub(u'\uFFFD', unicode_string)
デコードとエンコードのステップをスキップして、各文字の最初のバイト(8ビット文字列)の値を直接検出できます。 UTF-8によると:
#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
それによると、4バイト文字をフィルターで除外するには、各文字の最初のバイトの値のみを確認する必要があります。
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)
デコード部分とエンコード部分をスキップすると、時間を節約できます。また、ほとんどの場合1バイト文字を含む小さな文字列の場合、これは正規表現のフィルタリングよりも高速です。
MySQL 5.1ドキュメント によると:「ucs2およびutf8文字セットは、BMPの外にある補助文字をサポートしていません。」これは、サロゲートペアに問題がある可能性があることを示しています。
nicode標準5.2章 は、実際にはサロゲートペアを1つの4バイトUTF-8シーケンスではなく2つの3バイトUTF-8シーケンスとしてエンコードすることを禁止しています。 「サロゲートコードポイントはUnicodeスカラー値ではないため、コードポイントD800..DFFFにマッピングされるUTF-8バイトシーケンスは不正な形式です。
MySQLがサロゲートペアで何を行うかを確認することは良い考えかもしれません。それらが保持されない場合、このコードは単純な十分なチェックを提供します:
all(uc < u'\ud800' or u'\ue000' <= uc <= u'\uffff' for uc in unicode_string)
このコードは、「厄介」をu\ufffd
に置き換えます。
u''.join(
uc if uc < u'\ud800' or u'\ue000' <= uc <= u'\uffff' else u'\ufffd'
for uc in unicode_string
)
UTF-16としてエンコードしてから、UTF-8として再エンコードします。
>>> 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'
サロゲートペアは再エンコードする前にデコードされる可能性があるため、結合後はエンコードできないことに注意してください。
編集:
MySQL(少なくとも5.1.47)は、サロゲートペアの処理に問題がありません。
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]
????????????
そして、それを楽しむために、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))
私はそれが最速ではないと思いますが、非常に簡単です(「Pythonic」:):
def max3bytes(unicode_string):
return u''.join(uc if uc <= u'\uffff' else u'\ufffd' for uc in unicode_string)
注意:このコードはnotがUnicodeがU + D800-U + DFFFの範囲の代理文字を持っているという事実を考慮に入れます。