Python 2.7.6将单个“高”unicode代码点拆分为两个

作为 MySQL在遇到“高”(序数> = 2 ^ 16)代码点时截断unicode字符串的一种解决方法,我一直在使用一个逐步完成字符串的小 Python 方法(字符串是序列,记住),ord( )在字符上,并通过替换其他内容或直接删除代码点来取代截断.这已经在许多使用Python 2.7.3的机器上运行(Ubuntu 12.04 LTS,一些Centos 6,混合32位和64位cpu,到目前为止还不重要).

我注意到在Python 2.7.6安装上,这会中断. Ascii字符和“低”代码点(序数< 2 ^ 16)表现如前.但是高代码点(> = 2 ^ 16)表现得非常奇怪. Python2.7.6似乎将它们视为两个代码点.这是一个基础知识的测试用例：

### "good" machine,Python2.7.3
$uname -a && echo $LANG
Linux *** 3.2.0-60-virtual #91-Ubuntu SMP Wed Feb 19 04:13:28 UTC 2014 x86_64 x86_64 x86_64 GNU/Linux
en_US.UTF-8
$python2.7
Python 2.7.3 (default,Feb 27 2014,19:58:35) 
[GCC 4.6.3] on linux2
Type "help","copyright","credits" or "license" for more information.
>>> utest = u'a\u0395\U0001f30e'    # three chars: ascii,"low" codepoint,"high" codepoint
>>> utest.__class__
<type 'unicode'>
>>> len(utest),hash(utest)
(3,1453079728409075183)
>>> list(utest)        # split into list of single chars
[u'a',u'\u0395',u'\U0001f30e']
>>> utest[2]   # trying to extract third char (high codepoint)
u'\U0001f30e'
>>> len(utest[2])
1
>>> "%x" % ord(utest[2])
'1f30e'

这是预期的行为.我用三个字符初始化一个unicode字符串. Python说它是三个字符,它可以“解决”第三个字符,返回单个预期的高代码点.如果我得到该代码点的序数,我会得到与原始转义序列中相同的数字.

现在是Python 2.7.6

### "bad" machine,Python 2.7.6
$uname -a && echo $LANG
Linux *** 2.6.32-431.5.1.el6.x86_64 #1 SMP Wed Feb 12 00:41:43 UTC 2014 x86_64 x86_64 x86_64 GNU/Linux
en_US.UTF-8
$python2.7
Python 2.7.6 (default,Jan 29 2014,20:05:36)
[GCC 4.4.7 20120313 (Red Hat 4.4.7-4)] on linux2
Type "help","credits" or "license" for more information.
>>> utest = u'a\u0395\U0001f30e'
>>> utest.__class__
<type 'unicode'>
>>> len(utest),hash(utest)    # !!!
(4,-2836525916470507760)

第一个差异：Python 2.7.6表示utest的长度为4.哈希值也不同.下一个惊喜：

>>> list(utest)                # !!!
[u'a',u'\ud83c',u'\udf0e']

不仅长度表现得很奇怪,分裂成单个字符甚至更奇怪,因为高码点的两个“半”变成两个低码点,没有明显的数字关系 – 至少对我来说 – 对于原始码点.

通过序列索引来解决该代码点表现出相同的破坏：

>>> utest[2]
u'\ud83c'

为了获得原始的高代码点,我现在必须使用两个字符的切片：

>>> utest[2:4]
u'\U0001f30e'

但是,如果不是很明显,Python2.7.6仍然在内部将其视为两个代码点.我没办法从中得到一个序数.

>>> len(utest[2:4])
2
>>> "%x" % ord(utest[2:4])
Traceback (most recent call last):
  File "<stdin>",line 1,in <module>
TypeError: ord() expected a character,but string of length 2 found

那么该怎么办？我的代码取决于unicode字符串中的代码点的序数.如果一个代码点有时真的是两个代码点,那么我的序数就会变得毫无意义,而我的代码也无法执行它的功能.

这种行为有理由吗？这是故意改变吗？
是否有一些配置旋钮我可以在Python内部或系统级别恢复旧的行为？猴子补丁？我不知道在哪里看.

不幸的是,我甚至无法将其缩小到精确的次要版本.我们有很多2.7.3,一些2.7.1和几个2.7.6安装.否2.7.4 / 2.7.5.我只能说,我在任何2.7.3安装上都没有遇到过这个问题.

额外信息：将字符串编码为utf8会产生两个Python版本完全相同的响应(相同的字符,相同的长度,相同的哈希值).再次解码编码的utf8仍然会让我回到正方形1(即它不是解决方法,行为在unicode空间中仍然存在分歧).

解决方法

您正在体验所谓的“代理对”.这些只发生在 narrow builds的python上,其中代码点在内部存储为UTF-16.您可以通过检查sys.maxunicode来确认您拥有的构建(它将是2 ** 16 – 1).

其他一些好的阅读是PEP 393,遗憾的是……对于python 3.3,不幸的是.

编辑：谷歌搜索解决方法. Full credit to @dan04.

def code_points(text):
    import struct
    utf32 = text.encode('UTF-32LE')
    return struct.unpack('<{}I'.format(len(utf32) // 4),utf32)

>>> len(utest)
4
>>> len(code_points(utest))
3

如果你只关心长度你可以做len(utest.encode(‘UTF-32LE’))// 4,但看起来你想做更多,所以也许上面的功能是有帮助的.

Python 2.7.6将单个“高”unicode代码点拆分为两个

解决方法

相关推荐