- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我们正在构建一个调用 Java 程序的 Python 3 程序。 Java 程序(这是我们无法修改的第 3 方程序)用于标记字符串(查找单词)并提供其他注释。这些注释采用字符偏移量的形式。
例如,我们可能会为程序提供字符串数据,例如“lovely weather today”
。它提供类似于以下输出的内容:
0,6
7,14
15,20
其中0,6
是单词“lovely”对应的偏移量,7,14
是单词“weather”和15对应的偏移量, 20
是源字符串中与单词“today”相对应的偏移量。我们在 Python 中读取这些偏移量以提取这些点的文本并执行进一步处理。
只要字符在基本多语言平面 (BMP) 内,一切都很好。然而,如果它们不是,则此 Java 程序报告的偏移量在 Python 端显示完全错误。
例如,给定字符串 "I feel 🙂 today"
,Java 程序将输出:
0,1
2,6
7,9
10,15
在 Python 方面,这些转换为:
0,1 "I"
2,6 "feel"
7,9 "🙂 "
10,15 "oday"
最后一个索引在技术上是无效的。 Java 将“🙂”视为长度 2,从 Python 程序的角度来看,这会导致该点之后的所有注释都减一。
大概是因为 Java 在内部以 UTF-16esqe 方式对字符串进行编码,并且所有字符串操作都作用于那些 UTF-16esque code units .另一方面,Python 字符串似乎对实际的 unicode 字符(代码点)进行操作。因此,当字符出现在 BMP 之外时,Java 程序将其视为长度 2,而 Python 将其视为长度 1。
所以现在的问题是:在 Python 使用它们之前“纠正”这些偏移量的最佳方法是什么,以便注释子字符串与 Java 程序打算输出的内容一致?
最佳答案
您可以将字符串转换为 UTF16 编码的字节数组,然后使用偏移量(乘以 2,因为每个 UTF-16 代码单元有两个字节)来索引该数组:
x = "I feel 🙂 today"
y = bytearray(x, "UTF-16LE")
offsets = [(0,1),(2,6),(7,9),(10,15)]
for word in offsets:
print(str(y[word[0]*2:word[1]*2], 'UTF-16LE'))
输出:
I
feel
🙂
today
或者,您可以将字符串中的每个 Python 字符单独转换为 UTF-16 并计算它需要的代码单元数。这使您可以将根据代码单元(来自 Java)的索引映射到根据 Python 字符的索引:
from itertools import accumulate
x = "I feel 🙂 today"
utf16offsets = [(0,1),(2,6),(7,9),(10,15)] # from java program
# map python string indices to an index in terms of utf-16 code units
chrLengths = [len(bytearray(ch, "UTF-16LE"))//2 for ch in x]
utf16indices = [0] + list(itertools.accumulate(chrLengths))
# reverse the map so that it maps utf16 indices to python indices
index_map = dict((x,i) for i, x in enumerate(utf16indices))
# convert the offsets from utf16 code-unit indices to python string indices
offsets = [(index_map[o[0]], index_map[o[1]]) for o in utf16offsets]
# now you can just use those indices as normal
for word in offsets:
print(x[word[0]:word[1]])
输出:
I
feel
🙂
today
上面的代码很乱,可能可以更清楚一些,但你明白了。
关于java - 在 Python 中使用 Unicode 保持 Java 字符串偏移量一致,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56280011/
我在网上搜索但没有找到任何合适的文章解释如何使用 javascript 使用 WCF 服务,尤其是 WebScriptEndpoint。 任何人都可以对此给出任何指导吗? 谢谢 最佳答案 这是一篇关于
我正在编写一个将运行 Linux 命令的 C 程序,例如: cat/etc/passwd | grep 列表 |剪切-c 1-5 我没有任何结果 *这里 parent 等待第一个 child (chi
所以我正在尝试处理文件上传,然后将该文件作为二进制文件存储到数据库中。在我存储它之后,我尝试在给定的 URL 上提供文件。我似乎找不到适合这里的方法。我需要使用数据库,因为我使用 Google 应用引
我正在尝试制作一个宏,将下面的公式添加到单元格中,然后将其拖到整个列中并在 H 列中复制相同的公式 我想在 F 和 H 列中输入公式的数据 Range("F1").formula = "=IF(ISE
问题类似于this one ,但我想使用 OperatorPrecedenceParser 解析带有函数应用程序的表达式在 FParsec . 这是我的 AST: type Expression =
我想通过使用 sequelize 和 node.js 将这个查询更改为代码取决于在哪里 select COUNT(gender) as genderCount from customers where
我正在使用GNU bash,版本5.0.3(1)-发行版(x86_64-pc-linux-gnu),我想知道为什么简单的赋值语句会出现语法错误: #/bin/bash var1=/tmp
这里,为什么我的代码在 IE 中不起作用。我的代码适用于所有浏览器。没有问题。但是当我在 IE 上运行我的项目时,它发现错误。 而且我的 jquery 类和 insertadjacentHTMl 也不
我正在尝试更改标签的innerHTML。我无权访问该表单,因此无法编辑 HTML。标签具有的唯一标识符是“for”属性。 这是输入和标签的结构:
我有一个页面,我可以在其中返回用户帖子,可以使用一些 jquery 代码对这些帖子进行即时评论,在发布新评论后,我在帖子下插入新评论以及删除 按钮。问题是 Delete 按钮在新插入的元素上不起作用,
我有一个大约有 20 列的“管道分隔”文件。我只想使用 sha1sum 散列第一列,它是一个数字,如帐号,并按原样返回其余列。 使用 awk 或 sed 执行此操作的最佳方法是什么? Accounti
我需要将以下内容插入到我的表中...我的用户表有五列 id、用户名、密码、名称、条目。 (我还没有提交任何东西到条目中,我稍后会使用 php 来做)但由于某种原因我不断收到这个错误:#1054 - U
所以我试图有一个输入字段,我可以在其中输入任何字符,但然后将输入的值小写,删除任何非字母数字字符,留下“。”而不是空格。 例如,如果我输入: 地球的 70% 是水,-!*#$^^ & 30% 土地 输
我正在尝试做一些我认为非常简单的事情,但出于某种原因我没有得到想要的结果?我是 javascript 的新手,但对 java 有经验,所以我相信我没有使用某种正确的规则。 这是一个获取输入值、检查选择
我想使用 angularjs 从 mysql 数据库加载数据。 这就是应用程序的工作原理;用户登录,他们的用户名存储在 cookie 中。该用户名显示在主页上 我想获取这个值并通过 angularjs
我正在使用 autoLayout,我想在 UITableViewCell 上放置一个 UIlabel,它应该始终位于单元格的右侧和右侧的中心。 这就是我想要实现的目标 所以在这里你可以看到我正在谈论的
我需要与 MySql 等效的 elasticsearch 查询。我的 sql 查询: SELECT DISTINCT t.product_id AS id FROM tbl_sup_price t
我正在实现代码以使用 JSON。 func setup() { if let flickrURL = NSURL(string: "https://api.flickr.com/
我尝试使用for循环声明变量,然后测试cols和rols是否相同。如果是,它将运行递归函数。但是,我在 javascript 中执行 do 时遇到问题。有人可以帮忙吗? 现在,在比较 col.1 和
我举了一个我正在处理的问题的简短示例。 HTML代码: 1 2 3 CSS 代码: .BB a:hover{ color: #000; } .BB > li:after {
我是一名优秀的程序员,十分优秀!