psycopg 拒绝的 Python unicode 字符串

Question

我收到了一个来自野外的 unicode 字符串，它导致我们的一些 psycopg2 语句失败。

我已将问题简化为 SSCE:

import psycopg2
conn = psycopg2.connect(...)
cur = conn.cursor()
x = u'\ud837'
cur.execute("SELECT %s", (x,))
print cur.fetchone()

运行它会出现以下异常:

Traceback (most recent call last):
  File ".../run.py", line 65, in <module>
    cur.execute("SELECT %s AS test", (x,))
psycopg2.DataError: invalid byte sequence for encoding "UTF8": 0xed 0xa0 0xb7

根据一些评论，很明显这个特定角色是代理对的一半，因此无法独立生存。

具体来说，我正在寻找一种机制来检测 Python 2 中字符串何时包含不完整的代理项对。

我发现一种导致异常的方法是尝试 x.encode('utf16').decode('utf16')，但是，因为我不完全了解其中的风险相关的，我会在这里有点担心。

编辑:将导致问题的 SSCE 字符串减少为单个字符，根据评论添加信息。

Answer 1

字符串 u'\ud837' 由 surrogate pair 的一个单独成员组成, 两个物理字符依次出现形成一个逻辑字符。因此，它不定义 Unicode 代码点 - 相反，它是 UTF-16 编码的实现细节，使用它将完整的代码点范围打包成 16 位代码单元。 Python 3 正确地拒绝了以任何字节编码(包括 UTF-* 变体)对单独代理项进行编码的尝试。

该字符串可能源自内部使用 UTF-16 的系统(例如 Java、C#、Windows 或使用 16 位 Py_UNICODE 构建的 Python 2)，它们天真地缩短了字符串而没有注意代理人。

从 this answer 中获取正则表达式，应该可以使用如下代码有效地检测此类字符串:

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
    ''')

def invalid_unicode(s):
    assert isinstance(s, unicode)
    return lone.search(s) is not None