如何在PostgreSQL中修复双重编码？

Question

我在PostgreSQL中有一个带有单词的表,但有些单词有无效的UTF-8字符0xe7e36f和0xefbfbd.

如何识别无效单词中的所有字符并将其替换为某些符号?？

编辑:我的数据库在UTF-8,但我认为有各种其他编码的双重编码.我认为这是因为当我尝试转换为一种类型时LATIN1,我得到一个错误,说该编码中不存在某些字符,当我改为LATIN2我得到相同的错误,但是有另一个字符.

那么,有什么可以解决这个问题呢？

Answer 1

用法

这是针对我的具体情况的解决方案，但也许经过一些修改可以帮助其他人。

用法

SELECT fix_wrong_encoding('LATIN1');

功能

-- Convert words with wrong encoding
CREATE OR REPLACE FUNCTION fix_wrong_encoding(encoding_name VARCHAR)
RETURNS VOID
AS $$
DECLARE     
    r RECORD;
    counter INTEGER;
    token_id INTEGER;
BEGIN
    counter = 0;
    FOR r IN SELECT t.id, t.text FROM token t
    LOOP
        BEGIN
            RAISE NOTICE 'Converting %', r.text;
            r.text := convert_from(convert_to(r.text,encoding_name),'UTF8');
            RAISE NOTICE 'Converted to %', r.text;
            RAISE NOTICE 'Checking existence.';
            SELECT id INTO token_id FROM token WHERE text = r.text;             
            IF (token_id IS NOT NULL) THEN
                BEGIN
                    RAISE NOTICE 'Token already exists. Updating ids in textblockhastoken';
                    IF(token_id = r.id) THEN
                        RAISE NOTICE 'Token is the same.';
                        CONTINUE;
                    END IF;
                    UPDATE textblockhastoken SET tokenid = token_id
                    WHERE tokenid = r.id;
                    RAISE NOTICE 'Removing current token.';
                    DELETE FROM token WHERE id = r.id;
                END;
            ELSE
                BEGIN
                    RAISE NOTICE 'Token don''t exists. Updating text in token';
                    UPDATE token SET text = r.text WHERE id = r.id;
                END;
            END IF;
            EXCEPTION WHEN untranslatable_character THEN
                --do nothing
            WHEN character_not_in_repertoire THEN
                --do nothing
            END;
            counter = counter + 1;
            RAISE NOTICE '% token converted', counter;
    END LOOP;
END
$$
LANGUAGE plpgsql;