V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
zeroten
V2EX  ›  Python

python2 如何正确的处理 4 字节的字符,为什么一个字符变成了两个?

  •  
  •   zeroten ·
    ladder1984 · 2016-01-21 19:10:12 +08:00 · 2786 次点击
    这是一个创建于 3220 天前的主题,其中的信息可能已经有所发展或是发生改变。
    x = u'\U0001f604abc'
    
    print('length:',len(x))
    for i in x:
        print(i)
    

    得到输出:

    ('length:', 5)


    a
    b
    c

    x 是 4 个字符,其中第一个是 4 字节字符,一个笑脸表情的 unicdoe 码,现在显然被拆分成了两个。我写的过滤函数就过滤失败了:

    def filter_invalid_str(text):
    return ''.join(map(lambda x: x if u'\u0000' < x < u'\uFFFF' else '_', text))

    所以,明明一个字符为什么变成了两个,如何当作一个字符处理?

    8 条回复    2016-01-21 20:07:16 +08:00
    Zzzzzzzzz
        1
    Zzzzzzzzz  
       2016-01-21 19:19:55 +08:00
    编译 python2 的时候加上--enable-unicode=ucs4
    Hackathon
        2
    Hackathon  
       2016-01-21 19:39:21 +08:00
    zeroten
        3
    zeroten  
    OP
       2016-01-21 19:41:45 +08:00
    或者,过滤掉 u'\u0000' < x < u'\uFFFF'之外的字符有什么好的实现方法?
    zeroten
        4
    zeroten  
    OP
       2016-01-21 19:50:40 +08:00
    @Zzzzzzzzz 这个编译是指?编译 python 的 C 源码么?
    Zzzzzzzzz
        7
    Zzzzzzzzz  
       2016-01-21 20:00:46 +08:00
    @zeroten 对, 你现在是 ucs2.
    zeroten
        8
    zeroten  
    OP
       2016-01-21 20:07:16 +08:00
    @Hackathon
    @Zzzzzzzzz

    很好奇为什么落在[\uD800-\uDBFF][\uDC00-\uDFFF]这个范围内
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   1033 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 19ms · UTC 22:07 · PVG 06:07 · LAX 14:07 · JFK 17:07
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.