python - 在 Python 2 + GTK 中检测/删除未配对的代理字符

Question

在 Python 2.7 中，我可以成功地将 Unicode 字符串 "abc\udc34xyz" 转换为 UTF-8(结果是 "abc\xed\xb0\xb4xyz")。但是当我将 UTF-8 字符串传递给例如时。 pango_parse_markup() 或 g_convert_with_fallback()，我收到类似“转换输入中的字节序列无效”的错误。显然，GTK/Pango 函数检测到字符串中的“不成对代理项”并(正确地？)拒绝它。

Python 3 甚至不允许将 Unicode 字符串转换为 UTF-8(错误:“‘utf-8’编解码器无法在位置 3 中编码字符‘\udc34’:不允许代理”)，但我可以运行 "abc\udc34xyz".encode("utf8", "replace") 以获取有效的 UTF8 字符串，其中单独的代理项替换为其他字符。这对我来说很好，但我需要一个适用于 Python 2 的解决方案。

所以问题是:在 Python 2.7 中，我如何才能将该 Unicode 字符串转换为 UTF-8，同时用 U+FFFD 等替换字符替换单独的代理项？最好只使用标准 Python 函数和 GTK/GLib/G... 函数。

顺便说一句。 Iconv 可以将字符串转换为 UTF8，但只是删除坏字符而不是用 U+FFFD 替换它。

Answer 1

你可以在编码之前自己做替换:

import re

lone = re.compile(
    ur'''(?x)            # verbose expression (allows comments)
    (                    # begin group
    [\ud800-\udbff]      #   match leading surrogate
    (?![\udc00-\udfff])  #   but only if not followed by trailing surrogate
    )                    # end group
    |                    #  OR
    (                    # begin group
    (?<![\ud800-\udbff]) #   if not preceded by leading surrogate
    [\udc00-\udfff]      #   match trailing surrogate
    )                    # end group
    ''')

u = u'abc\ud834\ud82a\udfcdxyz'
print repr(u)
b = lone.sub(ur'\ufffd',u).encode('utf8')
print repr(b)
print repr(b.decode('utf8'))

输出:

u'abc\ud834\U0001abcdxyz'
'abc\xef\xbf\xbd\xf0\x9a\xaf\x8dxyz'
u'abc\ufffd\U0001abcdxyz'