- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我的问题是我有一个包含 UTF-8 的数据文件,其中大部分是有效的并且必须保留,但其中一些具有随机“垃圾”UTF-8,即在 0xf0 范围内 - 0xff
。坏数据的十六进制示例如下所示
f4 80 80 ab f4 80 80 b6 f4 80 80
a5 f4 80 80 a6 f4 80 80 83 f4 80 80 b6 f4 80 81
84 f4 80 81 98 f4 80 81 87 f4 80 81 8c f4
我正在尝试编写一个 perl 脚本来搜索和替换第一个字节在 0xf0 - 0xff
范围内的字符。在 this website代码页被列为私有(private)使用。
我现有的尝试要么什么都不做,要么只能删除多字节字符的第一个字节,例如 perl -CSD -pi.orig -e 's/[\x{f4} -\x{ff}]/?/g'
运行 perl v5.12.5
我不是 perl 专家,也不是 utf-8 专家。我也愿意在 ruby/python/C++(98) 中做这件事,只要它在 linux 机器上相对便携。
这是指向垃圾数据片段的链接。 http://pastebin.com/LR0StPHu
最佳答案
好吧,我们不要混淆一些事情。
第一个字节为 0xf0
的 UTF-8 字符有四个字节长,这是编码合法 Unicode 字符所需的最多字节。由于超过 94% 的可能 Unicode 范围需要第四个字节,0xf0
不会映射到任何单个代码页,当然也不会映射到专用区域。
这些字符在 Basic Multilingual Plane 之外.但这不同于无效或私有(private)使用;这只是意味着它们的代码点大于 U+FFFF(十进制值 65,535)。
如果您想排除 BMP 之外的所有字符,您应该搜索与此正则表达式匹配的字符:
[\x{10000}-\x{10FFFF}]
它使用 Perl 的 \x{
...}
插值语法通过十六进制代码点值包含字符。如果您实际上使用的是 Perl,那么为了便于使用,您可能希望将正则表达式放入变量中(使用引号-正则表达式构造 qr(
...)
,因为裸斜线会在分配时立即尝试将正则表达式与 $_
匹配):
my $not_bmp = qr([\x{10000}-\x{10FFFF}]);
但是,同样,删除与正则表达式匹配的字符会删除超过 94% 的可能的 Unicode 字符,因此请确保这就是您想要的。
如果您真的只想消除私有(private)字符 - 其中一些在 BMP 内部 - 只需专门排除这些范围即可。使用 Perl 或 Python 或任何其他支持 UTF-8 的语言,您不必担心字节;只需检查代码点。
作为Wikipedia会告诉你,三个私有(private)使用区域在这些代码点范围内:
因此相应的 Perl 正则表达式如下所示:
my $pua = qr([\x{e000}-\x{f8ff}\x{f0000}-\x{fffff}\x{100000}-\x{10ffff}]);
许多其他语言也有类似的 Unicode 支持(与 UTF-8 字符匹配,包括字符串中按代码点的字符等)。例如,这里是 Ruby,主要区别在于使用 \u{...}
而不是 \x{...}
进行插值:
not_bmp = %r([\u{10000}-\u{10FFFF}])
pua = %r([\u{e000}-\u{f8ff}\u{f0000}-\u{fffff}\u{100000}-\u{10ffff}])
Python \u
转义仅适用于恰好四个十六进制数字,但如果您有 Python3 - 或在 wide 模式下编译的 Python2 - 您可以使用大写 \U
,正好需要八个(Perl 和 Ruby 没有通过 {
...}
支持可变长度):
not_bmp = re.compile(u'[\U00010000-\U0010ffff]')
pua = re.compile(u'[\ue000-\uf8ff\U000f0000-\U000fffff\U00100000-\U0010ffff]')
关于python - 从文件中去除 UTF-8 字符范围的脚本,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42094797/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!