【问题标题】:I am receiving \u200b in certain translations from the google-translate api我收到来自 google-translate api 的某些翻译中的 \u200b
【发布时间】:2016-09-07 04:19:12
【问题描述】:

我是使用 Google 翻译 API 的新手,在测试期间我们注意到对于某些翻译(我还没有找到模式),我们在响应中得到 \u200b 字符。这导致了很多问题,最重要的是它似乎没有任何目的或任何意义。举个简单的例子:

https://www.googleapis.com/language/translate/v2?key=YOURKEY&source=NL&target=EN&q=Hergeneer%20verkopen

返回:

{
 "data": {
  "translations": [
   {
    "translatedText": "Sell \u200b\u200bHerge Down"
   }
  ]
 }
}

我们的软件偶然发现了这些 \u200b 字符串/字符,我还没有找到阻止或消除它们的方法。

【问题讨论】:

标签: google-translate


【解决方案1】:

请阅读JSON格式的文档:https://json.org/

字符串是零个或多个 Unicode 字符的序列。
char 可以是除 " 或 \ 或控制字符之外的任何 Unicode 字符,
[...]
或者是\u,后跟四个十六进制数字。

在最后一种情况下,\u 后跟四个十六进制数字,它代表一个 Unicode 字符:Unicode Character 'ZERO WIDTH SPACE' (U+200B)。它甚至有自己的维基百科页面:Zero-width space。还有它的 Stack Overflow 问题:What's HTML character code 8203?。

现在,有很多具有特殊行为的 Unicode 字符,这就是其中之一,是其中一个不可见的字符。因此,您需要了解 Unicode 的工作原理,并且应该清理来自第三方 API(以及来自用户输入)的输入/输出。

只需定义您真正想要支持的字符列表,并确保删除或过滤掉所有其他字符。例如,如果您希望支持 NL 和 EN,那么您可以剥离 Latin script in Unicode 之外的内容。

剥离您遇到的 U+200B 和其他不受欢迎的字符可能会让您避免潜在的意外,例如:

【讨论】:

  • 说“我们从不希望在任何地方使用 U+200B”可能并不安全,但有一个选择性地删除它的过程会很方便。如果您不专心,有一些像这样的角色是不可见的和/或难以注意到的,这只是让人类完成工作的结果。有时他们从某个地方复制/粘贴内容,有时他们输入的字符与他们应该输入的不同,因为他们不知道其中的区别。
  • 感谢您的提醒;我会尝试想出一个解决方法。 :-}
猜你喜欢
  • 2013-12-28
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2014-04-21
  • 2017-05-18
  • 1970-01-01
  • 2015-07-25
  • 1970-01-01
相关资源
最近更新 更多