首先,在Python2中,您需要使用Unipre字符串(
u'<...>')将Unipre字符视为Unipre字符。而且正确的源编码,如果你想使用的字符本身,而不是
UXXXXXXXX在源代码表示。
现在,按照Python:在包含代理对时获取正确的字符串长度,并且Python为单个Unipre字符串返回2的长度,在Python2“
narrow”构建中(带有
sys.maxunipre==65535),将32位Unipre字符表示为代理对,对字符串函数不是透明的。仅在3.3(PEP0393)中已解决此问题。
最简单的解决方案(用于迁移到3.3+的保存)是从源代码编译Python“宽”版,如第3条链接所述。
在其中,Unipre字符全为4字节(因此是潜在的内存消耗),但是如果您需要例行处理宽的Unipre字符,这可能是可以接受的价格。
“缩小”构建的解决方案 是 创建一组自定义的字符串函数 (
len,
slice;可能作为的子类
unipre),该 函数
将检测代理对并将其作为单个字符处理。我无法轻易找到一个现有的(这很奇怪),但是写起来并不难:
- 根据UTF-16#U + 10000至U + 10FFFF-维基百科,
- 第一个字符 (高替代) 在范围内
0xD800..0xDBFF
- 第二个字符 (低替代) -范围内
0xDC00..0xDFFF
- 这些范围是保留的,因此不能作为常规字符出现
- 第一个字符 (高替代) 在范围内
因此,这是检测代理对的代码:
def is_surrogate(s,i): if 0xD800 <= ord(s[i]) <= 0xDBFF: try: l = s[i+1] except IndexError: return False if 0xDC00 <= ord(l) <= 0xDFFF: return True else: raise ValueError("Illegal UTF-16 sequence: %r" % s[i:i+2]) else: return False
还有一个返回简单切片的函数:
def slice(s,start,end): l=len(s) i=0 while i<start and i<l: if is_surrogate(s,i): start+=1 end+=1 i+=1 i+=1 while i<end and i<l: if is_surrogate(s,i): end+=1 i+=1 i+=1 return s[start:end]
在这里,您付出的代价是性能,因为这些功能比内置功能要慢得多:
>>> ux=u"a"*5000+u"U00100000"*30000+u"b"*50000>>> timeit.timeit('slice(ux,10000,100000)','from __main__ import slice,ux',number=1000)46.44128203392029 #msec>>> timeit.timeit('ux[10000:100000]','from __main__ import slice,ux',number=1000000)8.814016103744507 #usec
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)