通过向mysql插入4字节unicode引发警告

Question

请看以下内容:

/home/kinka/workspace/py/tutorial/tutorial/pipelines.py:33: Warning: Incorrect string 
value: '\xF0\x9F\x91\x8A\xF0\x9F...' for column 't_content' at row 1
n = self.cursor.execute(self.sql, (item['topic'], item['url'], item['content']))

字符串'\xF0\x9F\x91\x8A,实际上是一个4字节的unicode : u'\U0001f62a'. mysql的字符集是utf-8但是插入4字节的unicode会截断插入的字符串.我搜索了这个问题,发现5.5.3下的mysql不支持4字节unicode,不幸的是我的是5.5.224.我不想升级mysql服务器,所以我只想过滤python中的4字节unicode,我尝试使用正则表达式但失败了.那么,有什么帮助吗？

Answer 1

如果MySQL无法处理4字节或更多字节的UTF-8代码,那么你必须在代码点上过滤掉所有unicode字符\U00010000; UTF-8将低于该阈值的代码点编码为3个字节或更少.

您可以使用正则表达式:

>>> import re
>>> highpoints = re.compile(u'[\U00010000-\U0010ffff]')
>>> example = u'Some example text with a sleepy face: \U0001f62a'
>>> highpoints.sub(u'', example)
u'Some example text with a sleepy face: '

或者,您可以将该.translate()函数与仅包含None值的映射表一起使用:

>>> nohigh = { i: None for i in xrange(0x10000, 0x110000) }
>>> example.translate(nohigh)
u'Some example text with a sleepy face: '

但是,创建转换表会占用大量内存并花费一些时间来生成; 它可能不值得你努力,因为正则表达式方法更有效.

这一切都假设你使用的是UCS-4编译的python.如果您的python是使用UCS-2支持编译的,那么您只能'\U0000ffff'在正则表达式中使用代码点,并且您将永远不会遇到此问题.

我注意到,从MySQL 5.5.3开始,新添加的utf8mb4编解码器确实支持完整的Unicode范围.