我怎样才能得到一个随机的unicode字符串答案

【问题标题】：How can I get a random unicode string我怎样才能得到一个随机的unicode字符串
【发布时间】：2016-10-16 22:57:39
【问题描述】：

我正在测试基于 REST 的服务，其中一个输入是文本字符串。所以我从我的 python 代码中发送随机的 unicode 字符串。到目前为止，我发送的 unicode 字符串都在 ascii 范围内，所以一切正常。

现在我尝试发送超出 ascii 范围的字符，但出现编码错误。这是我的代码。我已经经历了这个link，但仍然无法理解它。

# coding=utf-8

import os, random, string
import json

junk_len = 512
junk =  (("%%0%dX" % junk_len) % random.getrandbits(junk_len * 8))

for i in xrange(1,5):
    if(len(junk) % 8 == 0):
        print u'decoding to hex'
        message = junk.decode("hex")

    print 'Hex chars %s' %message
    print u' '.join(message.encode("utf-8").strip())

第一行打印没有任何问题，但我无法将其发送到 REST 服务而不对其进行编码。因此，我尝试将其编码为 utf-8 的第二行。这是失败并显示以下消息的代码行。

UnicodeDecodeError: 'ascii' 编解码器无法解码位置 0x81 字节 7：序数不在范围内（128）

【问题讨论】：

标签： python-2.7 encoding utf-8 python-unicode

【解决方案1】：

正如其他人所说，制作有效的随机 UTF-8 字节非常困难，因为字节序列必须正确。

由于 Unicode 将所有字符映射到 0x0000 和 0x10FFFF 之间的一个数字，因此只需在该范围内随机生成一个数字即可获得有效的 Unicode 地址。将随机数传递给 unichar（或 Py3 上的 char），将返回随机码点处字符的 Unicode 字符串。

那么您需要做的就是让 Python 编码为 UTF-8 以创建有效的 UTF-8 序列。

因为，在整个 Unicode 范围内有许多空白和不可打印字符（由于字体限制），使用 0000-D7FF 范围和 Basic Multilingual Plane 中的返回字符，您的系统更有可能打印这些字符.当编码为 UTF-8 时，这会导致每个字符最多 3 个字节序列。

普通随机

import random

def random_unicode(length):
    # Create a list of unicode characters within the range 0000-D7FF
    random_unicodes = [unichr(random.randrange(0xD7FF)) for _ in xrange(0, length)] 
    return u"".join(random_unicodes)

my_random_unicode_str = random_unicode(length=512)
my_random_utf_8_str = my_random_unicode_str.encode('utf-8')

唯一随机

import random

def unique_random_unicode(length):
    # create a list of unique randoms.
    random_ints = random.sample(xrange(0xD7FF), length)

    ## convert ints into Unicode characters
    # for each random int, generate a list of Unicode characters
    random_unicodes = [unichr(x) for x in random_ints]
    # join the list
    return u"".join(random_unicodes) 

my_random_unicode_str = unique_random_unicode(length=512)
my_random_utf_8_str = my_random_unicode_str.encode('utf-8')

【讨论】：

您能否解释一下这是如何解释@rossum 给出的 4 种有效 unicode 模式的？我会得到任何可能的 utf-8 字符串吗？解释听起来很扎实，但我错过了 sample/xrange 如何仅生成/任何有效的 unicode 字符
它不考虑 4 字节 UTF-8，但这不是 OP 想要的。查看有关其工作原理的更新说明

【解决方案2】：

UTF-8 只允许某些位模式。您的代码中似乎使用了 UTF-8，因此您需要遵守允许的 UTF-8 模式。

1 byte: 0b0xxxxxxx

2 byte: 0b110xxxxx 0b10xxxxxx

3 byte: 0b1110xxxx 0b10xxxxxx 0b10xxxxxx

4 byte: 0b11110xxx 0b10xxxxxx 0b10xxxxxx 0b10xxxxxx

在多字节模式中，第一个字节表示整个模式中的字节数，前导1，后跟0，数据位x。非前导字节都遵循相同的模式：0b10xxxxxx 具有两个前导指示位 10 和六个数据位 xxxxxx。

一般来说，随机生成的字节不会遵循这些模式。只能随机生成数据位x。

【讨论】：