如何过滤（或替换）在 UTF-8 中占用超过 3 个字节的 unicode 字符？

Question

我正在使用 Python 和 Django，但由于 MySQL 的限制，我遇到了问题。根据MySQL 5.1 documentation，他们的utf8 实现不支持4 字节字符。 MySQL 5.5 将支持使用 utf8mb4 的 4 字节字符；并且，在未来的某一天，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，因此我被限制为占用 3 个字节或更少的 UTF-8 字符。

我的问题是：如何过滤（或替换）占用超过 3 个字节的 unicode 字符？

我想用官方\ufffd（U+FFFD 替换字符）或?替换所有4字节字符。

换句话说，我想要一个与 Python 自己的 str.encode() 方法（传递 'replace' 参数时）非常相似的行为。 编辑：我想要类似于encode() 的行为，但我不想实际对字符串进行编码。我希望过滤后仍然有一个 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对从数据库中获取的所有字符串进行转义，这非常烦人且不可行。

另见：

• "Incorrect string value" warning when saving some unicode characters to MySQL（在 Django 票务系统中）
• ‘????’ Not a valid unicode character, but in the unicode character set?（在堆栈溢出）

[编辑] 添加了有关建议解决方案的测试

所以到目前为止我得到了很好的答案。谢谢，人们！现在，为了选择其中一个，我做了一个快速测试，以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 内完成了 515 次函数调用（在 sub() 内置时为 0.138 CPU 秒）
• filter_using_python() 在 3.413 CPU 秒 内完成了 2097923 次函数调用（join() 调用时 1.511 CPU 秒和评估生成器表达式的 1.900 CPU 秒）
• 我没有使用 itertools 进行测试，因为……嗯……那个解决方案虽然很有趣，但相当庞大和复杂。

结论

RegEx 解决方案是迄今为止最快的解决方案。

Answer 1

在 \u0000-\uD7FF 和 \uE000-\uFFFF 范围内的 Unicode 字符在 UTF8 中将具有 3 个字节（或更少）的编码。 \uD800-\uDFFF 范围用于多字节 UTF16。我不知道python，但你应该能够设置一个正则表达式来匹配这些范围之外。

pattern = re.compile("[\uD800-\uDFFF].", re.UNICODE)
pattern = re.compile("[^\u0000-\uFFFF]", re.UNICODE)

在问题正文中编辑从 Denilson Sá 的脚本添加 Python：

re_pattern = re.compile(u'[^\u0000-\uD7FF\uE000-\uFFFF]', re.UNICODE)
filtered_string = re_pattern.sub(u'\uFFFD', unicode_string)    

Answer 2

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

据此，您只需要检查每个字符的第一个字节的值即可过滤掉4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将为您节省一些时间，并且对于大多数具有 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。

Answer 3

只是为了好玩，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))

Answer 4

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，您不能在加入后进行编码，因为代理对可能在重新编码之前被解码。

编辑：

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]
???

Answer 5

根据the MySQL 5.1 documentation：“ucs2 和 utf8 字符集不支持位于 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 实际上禁止将代理对编码为两个 3 字节的 UTF-8 序列，而不是一个 4 字节的 UTF-8 序列...参见例如第 93 页“”“因为代理代码点是不是 Unicode 标量值，否则将映射到代码点 D800..DFFF 的任何 UTF-8 字节序列都是格式错误的。""" 但是，据我所知，这个禁令在很大程度上是未知或被忽略的。

检查 MySQL 对代理对的作用可能是个好主意。如果不保留它们，此代码将提供一个足够简单的检查：

all(uc < u'\ud800' or u'\ue000' <= uc <= u'\uffff' for uc in unicode_string)

并且此代码将用u\ufffd 替换任何“讨厌的东西”：

u''.join(
    uc if uc < u'\ud800' or u'\ue000' <= uc <= u'\uffff' else u'\ufffd'
    for uc in unicode_string
    )

Answer 6

我猜这不是最快的，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：此代码没有考虑到 Unicode 在 U+D800-U+DFFF 范围内具有代理字符这一事实。

Answer 7

这不仅仅是过滤掉 3+ 字节的 UTF-8 unicode 字符。它会删除 unicode，但会尝试以温和的方式执行此操作，并尽可能将其替换为相关的 ASCII 字符。如果您的文本中没有十几个不同的 unicode 撇号和 unicode 引号（通常来自 Apple 手持设备），而只有常规的 ASCII 撇号和引号，那么将来可能会是一件好事。

unicodedata.normalize("NFKD", sentence).encode("ascii", "ignore")

这很健壮，我将它与更多警卫一起使用：

import unicodedata

def neutralize_unicode(value):
    """
    Taking care of special characters as gently as possible

    Args:
        value (string): input string, can contain unicode characters

    Returns:
        :obj:`string` where the unicode characters are replaced with standard
        ASCII counterparts (for example en-dash and em-dash with regular dash,
        apostrophe and quotation variations with the standard ones) or taken
        out if there's no substitute.
    """
    if not value or not isinstance(value, basestring):
        return value

    if isinstance(value, str):
        return value

    return unicodedata.normalize("NFKD", value).encode("ascii", "ignore")

这是 Python 2 顺便说一句。