अमान्य utf8 को फ़िल्टर करना


50

मेरे पास एक अज्ञात या मिश्रित एन्कोडिंग में एक पाठ फ़ाइल है। मैं उन लाइनों को देखना चाहता हूं जिनमें एक बाइट अनुक्रम होता है जो कि यूटीएफ -8 मान्य नहीं है (पाठ फ़ाइल को कुछ प्रोग्राम में पाइप करके)। समान रूप से, मैं उन पंक्तियों को फ़िल्टर करना चाहता हूं जो मान्य UTF-8 हैं। दूसरे शब्दों में, मैं देख रहा हूँ ।grep [notutf8]

एक आदर्श समाधान पोर्टेबल, छोटा और अन्य एन्कोडिंग के लिए सामान्य होगा, लेकिन अगर आपको लगता है कि UTF-8 की परिभाषा में सेंकना सबसे अच्छा तरीका है , तो आगे बढ़ें।


संभावित regex के लिए keithdevens.com/weblog/archive/2004/Jun/29/UTF-8.regex भी देखें ।
मिकेल

@ माइकेल: या unix.stackexchange.com/questions/6460/… ... मैं कुछ कम गंभीरता से उम्मीद कर रहा था।
गिल्स एसओ- बुराई को रोकना '

जवाबों:


34

यदि आप उपयोग करना चाहते हैं grep, तो आप कर सकते हैं:

grep -axv '.*' file

UTF-8 स्थानों में उन लाइनों को प्राप्त करने के लिए जिनके पास कम से कम एक अमान्य UTF-8 अनुक्रम है (यह कम से कम GNU Grep के साथ काम करता है)।


को छोड़कर -a, POSIX द्वारा काम करना आवश्यक है। हालांकि GNU grepकम से कम UTF-8 को इनकोडेड UTF-16 सरोगेट गैर-वर्णों या कोडपॉइंट्स को 0xFXFF से ऊपर रखने में विफल रहता है।
स्टीफन चेज़लस

1
@ स्टीफनचेलजेलस इसके विपरीत, -aजीएनयू द्वारा आवश्यक है grep(जो कि पॉसिक्स अनुपालन नहीं है, मुझे लगता है)। के बारे में, सरोगेट क्षेत्र और 0x10FFFF से ऊपर के कोडपॉइंट्स, यह एक बग है (जो यह समझा सकता है )। इसके लिए, -PGNU grep2.21 के साथ काम करना चाहिए (लेकिन धीमा है); यह कम से कम डेबियन ग्रीप / 2.20-4 में छोटी गाड़ी है ।
vinc17

क्षमा करें, मेरा बुरा, POSIX में व्यवहार अनिर्दिष्ट है क्योंकि grepएक पाठ उपयोगिता है (केवल पाठ इनपुट पर काम करने की उम्मीद है), इसलिए मुझे लगता है कि GNU grep का व्यवहार यहाँ के रूप में मान्य है।
स्टीफन चेजेलस

@ स्टीफनचेज़ेलस मैं पुष्टि करता हूं कि पोसिक्स कहता है: "इनपुट फाइलें पाठ फाइलें होंगी।" (हालांकि विवरण भाग में नहीं है, जो थोड़ा भ्रामक है)। इसका अर्थ यह भी है कि अवैध अनुक्रम के मामले में, POSIX द्वारा व्यवहार अपरिभाषित है। इसलिए जीएनयू grep(जिसका इरादा गैर-मिलान के रूप में अमान्य अनुक्रमों का संबंध है), और संभावित बगों के कार्यान्वयन को जानने की आवश्यकता है ।
vinc17

1
मैं इस एक के लिए स्वीकार किए जाते हैं जवाब स्विचिंग कर रहा हूँ (क्षमा करें, Peter.O क्योंकि यह आसान है और मेरी प्राथमिक उपयोग के मामले है, जो अन्य सामान्य एन्कोडिंग्स (विशेष रूप से 8 बिट एन्कोडिंग) से UTF-8 भेद करने के लिए अनुमान है के लिए अच्छी तरह से काम करता है। स्टीफन Chazelas और Peter.O यूटीएफ -8 अनुपालन के संदर्भ में अधिक सटीक उत्तर प्रदान करते हैं।
गिल्स एसओ- बुराई को रोकें '

33

मुझे लगता है कि आप शायद iconv चाहते हैं । यह कोडसेट के बीच परिवर्तित करने के लिए है और एक बेतुका संख्या स्वरूपों का समर्थन करता है। उदाहरण के लिए, यूटीएफ -8 में मान्य कुछ भी पट्टी करने के लिए जिसका आप उपयोग कर सकते हैं:

iconv -c -t UTF-8 < input.txt > output.txt

-C विकल्प के बिना, यह stderr में बदलने में समस्याओं की सूचना देगा, इसलिए प्रक्रिया की दिशा में आप इनमें से एक सूची को बचा सकते हैं। एक और तरीका यह होगा कि आप नॉन-यूटीएफ 8 सामान छीन लें और फिर

diff input.txt output.txt

जहां परिवर्तन किए गए थे, उनकी सूची के लिए।


ठीक है, कि है iconv -c -t UTF-8 <input.txt | diff input.txt - | sed -ne 's/^< //p'। यह एक पाइपलाइन के रूप में काम नहीं करेगा, हालांकि, चूंकि आपको इनपुट को दो बार पढ़ने की आवश्यकता है (नहीं, teeनहीं करेंगे, यह कितना बफरिंग iconvऔर diffक्या करता है) के आधार पर ब्लॉक हो सकता है ।
गिल्स एसओ- बुराई को रोकना '

2
रैंडम नोट: इनपुट और आउटपुट एक ही फाइल नहीं हो सकता है या आप एक खाली फाइल के साथ समाप्त हो जाएंगे
drahnr

1
या प्रक्रिया प्रतिस्थापन का उपयोग करें यदि आपका शेल इसका समर्थन करता हैdiff <(iconv -c -t UTF-8 <input.txt) input.txt
कार्ल

आप यह कैसे करते हैं और आउटपुट को उसी फ़ाइल में इनपुट के रूप में बनाते हैं। मैंने अभी-अभी यह किया है और एक खाली फ़ाइल iconv -c -t UTF-8 <input.txt> input.txt
Costas Vrahimis

1
धन्यवाद .. यह टूटे हुए utf-8 पोस्टग्रेजल डंप को बहाल करने की अनुमति देता है, लेकिन वैध utf-8 को
खारिज नहीं कर रहा है

21

संपादित करें: मैंने regex में एक टाइपो-बग तय किया है .. इसे एक '\ x80' not \ 80 की आवश्यकता है

UTF-8 के सख्त पालन ​​के लिए अमान्य UTF-8 फ़ॉर्म को फ़िल्टर करने का रेगेक्स निम्नानुसार है

perl -l -ne '/
 ^( ([\x00-\x7F])              # 1-byte pattern
   |([\xC2-\xDF][\x80-\xBF])   # 2-byte pattern
   |((([\xE0][\xA0-\xBF])|([\xED][\x80-\x9F])|([\xE1-\xEC\xEE-\xEF][\x80-\xBF]))([\x80-\xBF])) # 3-byte pattern
   |((([\xF0][\x90-\xBF])|([\xF1-\xF3][\x80-\xBF])|([\xF4][\x80-\x8F]))([\x80-\xBF]{2}))       # 4-byte pattern
  )*$ /x or print'

आउटपुट (प्रमुख लाइनों का। फ़र्म टेस्ट 1 ):

Codepoint
=========  
00001000  Test=1 mode=strict               valid,invalid,fail=(1000,0,0)          
0000E000  Test=1 mode=strict               valid,invalid,fail=(D800,800,0)          
0010FFFF  mode=strict  test-return=(0,0)   valid,invalid,fail=(10F800,800,0)          

प्र। एक रेगेक्स का परीक्षण करने के लिए परीक्षण डेटा कैसे बनाता है जो अमान्य यूनिकोड को फ़िल्टर करता है?
A. अपना खुद का UTF-8 टेस्ट एल्गोरिथ्म बनाएं, और इसे तोड़ें नियम ...
कैच -22 .. लेकिन फिर, फिर आप अपने परीक्षण एल्गोरिदम का परीक्षण कैसे करते हैं?

रेगेक्स, ऊपर, का परीक्षण किया गया है ( iconvसंदर्भ के रूप में उपयोग करते हुए ) से प्रत्येक पूर्णांक मान के 0x00000लिए 0x10FFFF.. यह ऊपरी मान एक यूनिकोड कोड के अधिकतम पूर्णांक मान का होता है

इस विकिपीडिया UTF-8 पृष्ठ के अनुसार,।

  • UTF-8 ने यूनिकोड वर्ण सेट में 1,112,064 कोड बिंदुओं में से प्रत्येक को कूटबद्ध किया, एक से चार 8-बिट बाइट्स का उपयोग करके

यह numeber (1,112,064) एक सीमा के बराबर 0x000000करने के लिए 0x10F7FFहै, जो उच्चतम यूनिकोड कोडपॉइंट के लिए वास्तविक अधिकतम पूर्णांक मान की 0x0800 शर्मीली है:0x10FFFF

पूर्णांक का यह ब्लॉक यूनिकोड कोडपॉइंट्स स्पेक्ट्रम से गायब है, क्योंकि UTF-16 एन्कोडिंग के लिए सरोगेट जोड़े नामक एक प्रणाली के माध्यम से अपने मूल डिजाइन इरादे से परे कदम की आवश्यकता है । पूर्णांक का एक ब्लॉक UTF-16 द्वारा उपयोग किए जाने के लिए आरक्षित किया गया है। यह ब्लॉक सीमा तक फैला है । इन घुसपैठियों में से कोई भी कानूनी यूनिकोड मूल्य नहीं है, और इसलिए अमान्य यूटीएफ -8 मूल्य हैं। 0x08000x00D8000x00DFFF

में टेस्ट 1 , regexयूनिकोड कोड पॉइंट्स की रेंज में हर नंबर के खिलाफ परीक्षण किया गया है, और इसके बारे में exectly परिणाम से मेल खाता है iconv .. यानी। 0x010F7FF मान्य मान, और 0x000800 अमान्य मान।

हालाँकि, अब यह समस्या उत्पन्न होती है, * रेगेक्स आउट-ऑफ-रेंज UTF-8 मान को कैसे संभालता है; ऊपर 0x010FFFF(UTF-8 की एक अधिकतम पूर्णांक मान के साथ, 6 बाइट्स का विस्तार कर सकते 0x7FFFFFFF ?
आवश्यक * उत्पन्न करने के लिए गैर-यूनिकोड UTF-8 बाइट मूल्यों , मैं निम्न आदेश का उपयोग किया है:

  perl -C -e 'print chr 0x'$hexUTF32BE

उनकी वैधता (कुछ फैशन में) का परीक्षण करने के लिए, मैंने Gilles'UTF-8 regex का उपयोग किया है ...

  perl -l -ne '/
   ^( [\000-\177]                 # 1-byte pattern
     |[\300-\337][\200-\277]      # 2-byte pattern
     |[\340-\357][\200-\277]{2}   # 3-byte pattern
     |[\360-\367][\200-\277]{3}   # 4-byte pattern
     |[\370-\373][\200-\277]{4}   # 5-byte pattern
     |[\374-\375][\200-\277]{5}   # 6-byte pattern
    )*$ /x or print'

'पर्ल के प्रिंट chr' का आउटपुट Gilles 'rexx के फ़िल्टरिंग से मेल खाता है .. एक दूसरे की वैधता को पुष्ट करता है .. मैं इसका उपयोग नहीं कर सकता iconvक्योंकि यह केवल व्यापक (मूल) UTF-8 के मान्य-यूनिकोड मानक सबसेट को संभालता है मानक ...

इसमें शामिल नन्हें बड़े हैं, इसलिए मैंने टॉप-ऑफ-रेंज, बॉटम-ऑफ-रेंज, और कई स्कैन जैसे कि 11111, 13579, 33333, 53441 ... का परीक्षण किया है, परिणाम सभी मिलते हैं, इसलिए अब इन अवशेषों के खिलाफ रेगेक्स का परीक्षण करना है, जो यूटीएफ -8-शैली के मूल्यों (यूनिकोड के लिए अमान्य है, और इसलिए सख्त यूटीएफ -8 के लिए भी अमान्य है)।


यहाँ परीक्षण मॉड्यूल हैं:

[[ "$(locale charmap)" != "UTF-8" ]] && { echo "ERROR: locale must be UTF-8, but it is $(locale charmap)"; exit 1; }

# Testing the UTF-8 regex
#
# Tests to check that the observed byte-ranges (above) have
#  been  accurately observed and included in the test code and final regex. 
# =========================================================================
: 2 bytes; B2=0 #  run-test=1   do-not-test=0
: 3 bytes; B3=0 #  run-test=1   do-not-test=0
: 4 bytes; B4=0 #  run-test=1   do-not-test=0 

:   regex; Rx=1 #  run-test=1   do-not-test=0

           ((strict=16)); mode[$strict]=strict # iconv -f UTF-16BE  then iconv -f UTF-32BE beyond 0xFFFF)
           ((   lax=32)); mode[$lax]=lax       # iconv -f UTF-32BE  only)

          # modebits=$strict
                  # UTF-8, in relation to UTF-16 has invalid values
                  # modebits=$strict automatically shifts to modebits=$lax
                  # when the tested integer exceeds 0xFFFF
          # modebits=$lax 
                  # UTF-8, in relation to UTF-32, has no restrictione


           # Test 1 Sequentially tests a range of Big-Endian integers
           #      * Unicode Codepoints are a subset ofBig-Endian integers            
           #        ( based on 'iconv' -f UTF-32BE -f UTF-8 )    
           # Note: strict UTF-8 has a few quirks because of UTF-16
                    #    Set modebits=16 to "strictly" test the low range

             Test=1; modebits=$strict
           # Test=2; modebits=$lax
           # Test=3
              mode3wlo=$(( 1*4)) # minimum chars * 4 ( '4' is for UTF-32BE )
              mode3whi=$((10*4)) # minimum chars * 4 ( '4' is for UTF-32BE )


#########################################################################  

# 1 byte  UTF-8 values: Nothing to do; no complexities.

#########################################################################

#  2 Byte  UTF-8 values:  Verifying that I've got the right range values.
if ((B2==1)) ; then  
  echo "# Test 2 bytes for Valid UTF-8 values: ie. values which are in range"
  # =========================================================================
  time \
  for d1 in {194..223} ;do
      #     bin       oct  hex  dec
      # lo  11000010  302   C2  194
      # hi  11011111  337   DF  223
      B2b1=$(printf "%0.2X" $d1)
      #
      for d2 in {128..191} ;do
          #     bin       oct  hex  dec
          # lo  10000000  200   80  128
          # hi  10111111  277   BF  191
          B2b2=$(printf "%0.2X" $d2)
          #
          echo -n "${B2b1}${B2b2}" |
            xxd -p -u -r  |
              iconv -f UTF-8 >/dev/null || { 
                echo "ERROR: Invalid UTF-8 found: ${B2b1}${B2b2}"; exit 20; }
          #
      done
  done
  echo

  # Now do a negated test.. This takes longer, because there are more values.
  echo "# Test 2 bytes for Invalid values: ie. values which are out of range"
  # =========================================================================
  # Note: 'iconv' will treat a leading  \x00-\x7F as a valid leading single,
  #   so this negated test primes the first UTF-8 byte with values starting at \x80
  time \
  for d1 in {128..193} {224..255} ;do 
 #for d1 in {128..194} {224..255} ;do # force a valid UTF-8 (needs $B2b2) 
      B2b1=$(printf "%0.2X" $d1)
      #
      for d2 in {0..127} {192..255} ;do
     #for d2 in {0..128} {192..255} ;do # force a valid UTF-8 (needs $B2b1)
          B2b2=$(printf "%0.2X" $d2)
          #
          echo -n "${B2b1}${B2b2}" |
            xxd -p -u -r |
              iconv -f UTF-8 2>/dev/null && { 
                echo "ERROR: VALID UTF-8 found: ${B2b1}${B2b2}"; exit 21; }
          #
      done
  done
  echo
fi

#########################################################################

#  3 Byte  UTF-8 values:  Verifying that I've got the right range values.
if ((B3==1)) ; then  
  echo "# Test 3 bytes for Valid UTF-8 values: ie. values which are in range"
  # ========================================================================
  time \
  for d1 in {224..239} ;do
      #     bin       oct  hex  dec
      # lo  11100000  340   E0  224
      # hi  11101111  357   EF  239
      B3b1=$(printf "%0.2X" $d1)
      #
      if   [[ $B3b1 == "E0" ]] ; then
          B3b2range="$(echo {160..191})"
          #     bin       oct  hex  dec  
          # lo  10100000  240   A0  160  
          # hi  10111111  277   BF  191
      elif [[ $B3b1 == "ED" ]] ; then
          B3b2range="$(echo {128..159})"
          #     bin       oct  hex  dec  
          # lo  10000000  200   80  128  
          # hi  10011111  237   9F  159
      else
          B3b2range="$(echo {128..191})"
          #     bin       oct  hex  dec
          # lo  10000000  200   80  128
          # hi  10111111  277   BF  191
      fi
      # 
      for d2 in $B3b2range ;do
          B3b2=$(printf "%0.2X" $d2)
          echo "${B3b1} ${B3b2} xx"
          #
          for d3 in {128..191} ;do
              #     bin       oct  hex  dec
              # lo  10000000  200   80  128
              # hi  10111111  277   BF  191
              B3b3=$(printf "%0.2X" $d3)
              #
              echo -n "${B3b1}${B3b2}${B3b3}" |
                xxd -p -u -r  |
                  iconv -f UTF-8 >/dev/null || { 
                    echo "ERROR: Invalid UTF-8 found: ${B3b1}${B3b2}${B3b3}"; exit 30; }
              #
          done
      done
  done
  echo

  # Now do a negated test.. This takes longer, because there are more values.
  echo "# Test 3 bytes for Invalid values: ie. values which are out of range"
  # =========================================================================
  # Note: 'iconv' will treat a leading  \x00-\x7F as a valid leading single,
  #   so this negated test primes the first UTF-8 byte with values starting at \x80
  #
  # real     26m28.462s \ 
  # user     27m12.526s  | stepping by 2
  # sys      13m11.193s /
  #
  # real    239m00.836s \
  # user    225m11.108s  | stepping by 1
  # sys     120m00.538s /
  #
  time \
  for d1 in {128..223..1} {240..255..1} ;do 
 #for d1 in {128..224..1} {239..255..1} ;do # force a valid UTF-8 (needs $B2b2,$B3b3) 
      B3b1=$(printf "%0.2X" $d1)
      #
      if   [[ $B3b1 == "E0" ]] ; then
          B3b2range="$(echo {0..159..1} {192..255..1})"
         #B3b2range="$(> {192..255..1})" # force a valid UTF-8 (needs $B3b1,$B3b3)
      elif [[ $B3b1 == "ED" ]] ; then
          B3b2range="$(echo {0..127..1} {160..255..1})"
         #B3b2range="$(echo {0..128..1} {160..255..1})" # force a valid UTF-8 (needs $B3b1,$B3b3)
      else
          B3b2range="$(echo {0..127..1} {192..255..1})"
         #B3b2range="$(echo {0..128..1} {192..255..1})" # force a valid UTF-8 (needs $B3b1,$B3b3)
      fi
      for d2 in $B3b2range ;do
          B3b2=$(printf "%0.2X" $d2)
          echo "${B3b1} ${B3b2} xx"
          #
          for d3 in {0..127..1} {192..255..1} ;do
         #for d3 in {0..128..1} {192..255..1} ;do # force a valid UTF-8 (needs $B2b1)
              B3b3=$(printf "%0.2X" $d3)
              #
              echo -n "${B3b1}${B3b2}${B3b3}" |
                xxd -p -u -r |
                  iconv -f UTF-8 2>/dev/null && { 
                    echo "ERROR: VALID UTF-8 found: ${B3b1}${B3b2}${B3b3}"; exit 31; }
              #
          done
      done
  done
  echo

fi

#########################################################################

#  Brute force testing in the Astral Plane will take a VERY LONG time..
#  Perhaps selective testing is more appropriate, now that the previous tests 
#     have panned out okay... 
#  
#  4 Byte  UTF-8 values:
if ((B4==1)) ; then  
  echo "# Test 4 bytes for Valid UTF-8 values: ie. values which are in range"
  # ==================================================================
  # real    58m18.531s \
  # user    56m44.317s  | 
  # sys     27m29.867s /
  time \
  for d1 in {240..244} ;do
      #     bin       oct  hex  dec
      # lo  11110000  360   F0  240
      # hi  11110100  364   F4  244  -- F4 encodes some values greater than 0x10FFFF;
      #                                    such a sequence is invalid.
      B4b1=$(printf "%0.2X" $d1)
      #
      if   [[ $B4b1 == "F0" ]] ; then
        B4b2range="$(echo {144..191})" ## f0 90 80 80  to  f0 bf bf bf
        #     bin       oct  hex  dec          010000  --  03FFFF 
        # lo  10010000  220   90  144  
        # hi  10111111  277   BF  191
        #                            
      elif [[ $B4b1 == "F4" ]] ; then
        B4b2range="$(echo {128..143})" ## f4 80 80 80  to  f4 8f bf bf
        #     bin       oct  hex  dec          100000  --  10FFFF 
        # lo  10000000  200   80  128  
        # hi  10001111  217   8F  143  -- F4 encodes some values greater than 0x10FFFF;
        #                                    such a sequence is invalid.
      else
        B4b2range="$(echo {128..191})" ## fx 80 80 80  to  f3 bf bf bf
        #     bin       oct  hex  dec          0C0000  --  0FFFFF
        # lo  10000000  200   80  128          0A0000
        # hi  10111111  277   BF  191
      fi
      #
      for d2 in $B4b2range ;do
          B4b2=$(printf "%0.2X" $d2)
          #
          for d3 in {128..191} ;do
              #     bin       oct  hex  dec
              # lo  10000000  200   80  128
              # hi  10111111  277   BF  191
              B4b3=$(printf "%0.2X" $d3)
              echo "${B4b1} ${B4b2} ${B4b3} xx"
              #
              for d4 in {128..191} ;do
                  #     bin       oct  hex  dec
                  # lo  10000000  200   80  128
                  # hi  10111111  277   BF  191
                  B4b4=$(printf "%0.2X" $d4)
                  #
                  echo -n "${B4b1}${B4b2}${B4b3}${B4b4}" |
                    xxd -p -u -r  |
                      iconv -f UTF-8 >/dev/null || { 
                        echo "ERROR: Invalid UTF-8 found: ${B4b1}${B4b2}${B4b3}${B4b4}"; exit 40; }
                  #
              done
          done
      done
  done
  echo "# Test 4 bytes for Valid UTF-8 values: END"
  echo
fi

########################################################################
# There is no test (yet) for negated range values in the astral plane. #  
#                           (all negated range values must be invalid) #
#  I won't bother; This was mainly for me to ge the general feel of    #     
#   the tests, and the final test below should flush anything out..    #
# Traversing the intire UTF-8 range takes quite a while...             #
#   so no need to do it twice (albeit in a slightly different manner)  #
########################################################################

################################
### The construction of:    ####
###  The Regular Expression ####
###      (de-construction?) ####
################################

#     BYTE 1                BYTE 2       BYTE 3      BYTE 4 
# 1: [\x00-\x7F]
#    ===========
#    ([\x00-\x7F])
#
# 2: [\xC2-\xDF]           [\x80-\xBF]
#    =================================
#    ([\xC2-\xDF][\x80-\xBF])
# 
# 3: [\xE0]                [\xA0-\xBF]  [\x80-\xBF]   
#    [\xED]                [\x80-\x9F]  [\x80-\xBF]
#    [\xE1-\xEC\xEE-\xEF]  [\x80-\xBF]  [\x80-\xBF]
#    ==============================================
#    ((([\xE0][\xA0-\xBF])|([\xED][\x80-\x9F])|([\xE1-\xEC\xEE-\xEF][\x80-\xBF]))([\x80-\xBF]))
#
# 4  [\xF0]                [\x90-\xBF]  [\x80-\xBF]  [\x80-\xBF]    
#    [\xF1-\xF3]           [\x80-\xBF]  [\x80-\xBF]  [\x80-\xBF]
#    [\xF4]                [\x80-\x8F]  [\x80-\xBF]  [\x80-\xBF]
#    ===========================================================
#    ((([\xF0][\x90-\xBF])|([\xF1-\xF3][\x80-\xBF])|([\xF4][\x80-\x8F]))([\x80-\xBF]{2}))
#
# The final regex
# ===============
# 1-4:  (([\x00-\x7F])|([\xC2-\xDF][\x80-\xBF])|((([\xE0][\xA0-\xBF])|([\xED][\x80-\x9F])|([\xE1-\xEC\xEE-\xEF][\x80-\xBF]))([\x80-\xBF]))|((([\xF0][\x90-\xBF])|([\xF1-\xF3][\x80-\xBF])|([\xF4][\x80-\x8F]))([\x80-\xBF]{2})))
# 4-1:  (((([\xF0][\x90-\xBF])|([\xF1-\xF3][\x80-\xBF])|([\xF4][\x80-\x8F]))([\x80-\xBF]{2}))|((([\xE0][\xA0-\xBF])|([\xED][\x80-\x9F])|([\xE1-\xEC\xEE-\xEF][\x80-\xBF]))([\x80-\xBF]))|([\xC2-\xDF][\x80-\xBF])|([\x00-\x7F]))


#######################################################################
#  The final Test; for a single character (multi chars to follow)     #  
#   Compare the return code of 'iconv' against the 'regex'            #
#   for the full range of 0x000000 to 0x10FFFF                        #
#                                                                     #     
#  Note; this script has 3 modes:                                     #
#        Run this test TWICE, set each mode Manually!                 #     
#                                                                     #     
#     1. Sequentially test every value from 0x000000 to 0x10FFFF      #     
#     2. Throw a spanner into the works! Force random byte patterns   #     
#     2. Throw a spanner into the works! Force random longer strings  #     
#        ==============================                               #     
#                                                                     #     
#  Note: The purpose of this routine is to determine if there is any  #
#        difference how 'iconv' and 'regex' handle the same data      #  
#                                                                     #     
#######################################################################
if ((Rx==1)) ; then
  # real    191m34.826s
  # user    158m24.114s
  # sys      83m10.676s
  time { 
  invalCt=0
  validCt=0
   failCt=0
  decBeg=$((0x00110000)) # incement by decimal integer
  decMax=$((0x7FFFFFFF)) # incement by decimal integer
  # 
  for ((CPDec=decBeg;CPDec<=decMax;CPDec+=13247)) ;do
      ((D==1)) && echo "=========================================================="
      #
      # Convert decimal integer '$CPDec' to Hex-digits; 6-long  (dec2hex)
      hexUTF32BE=$(printf '%0.8X\n' $CPDec)  # hexUTF32BE

      # progress count  
      if (((CPDec%$((0x1000)))==0)) ;then
          ((Test>2)) && echo
          echo "$hexUTF32BE  Test=$Test mode=${mode[$modebits]}            "
      fi
      if   ((Test==1 || Test==2 ))
      then # Test 1. Sequentially test every value from 0x000000 to 0x10FFFF
          #
          if   ((Test==2)) ; then
              bits=32
              UTF8="$( perl -C -e 'print chr 0x'$hexUTF32BE |
                perl -l -ne '/^(  [\000-\177]
                                | [\300-\337][\200-\277]
                                | [\340-\357][\200-\277]{2}
                                | [\360-\367][\200-\277]{3}
                                | [\370-\373][\200-\277]{4}
                                | [\374-\375][\200-\277]{5}
                               )*$/x and print' |xxd -p )"
              UTF8="${UTF8%0a}"
              [[ -n "$UTF8" ]] \
                    && rcIco32=0 || rcIco32=1
                       rcIco16=

          elif ((modebits==strict && CPDec<=$((0xFFFF)))) ;then
              bits=16
              UTF8="$( echo -n "${hexUTF32BE:4}" |
                xxd -p -u -r |
                  iconv -f UTF-16BE -t UTF-8 2>/dev/null)" \
                    && rcIco16=0 || rcIco16=1  
                       rcIco32=
          else
              bits=32
              UTF8="$( echo -n "$hexUTF32BE" |
                xxd -p -u -r |
                  iconv -f UTF-32BE -t UTF-8 2>/dev/null)" \
                    && rcIco32=0 || rcIco32=1
                       rcIco16=
          fi
          # echo "1 mode=${mode[$modebits]}-$bits  rcIconv: (${rcIco16},${rcIco32})  $hexUTF32BE "
          #
          #
          #
          if ((${rcIco16}${rcIco32}!=0)) ;then
              # 'iconv -f UTF-16BE' failed produce a reliable UTF-8
              if ((bits==16)) ;then
                  ((D==1)) &&           echo "bits-$bits rcIconv: error    $hexUTF32BE .. 'strict' failed, now trying 'lax'"
                  #  iconv failed to create a  'srict' UTF-8 so   
                  #      try UTF-32BE to get a   'lax' UTF-8 pattern    
                  UTF8="$( echo -n "$hexUTF32BE" |
                    xxd -p -u -r |
                      iconv -f UTF-32BE -t UTF-8 2>/dev/null)" \
                        && rcIco32=0 || rcIco32=1
                  #echo "2 mode=${mode[$modebits]}-$bits  rcIconv: (${rcIco16},${rcIco32})  $hexUTF32BE "
                  if ((rcIco32!=0)) ;then
                      ((D==1)) &&               echo -n "bits-$bits rcIconv: Cannot gen UTF-8 for: $hexUTF32BE"
                      rcIco32=1
                  fi
              fi
          fi
          # echo "3 mode=${mode[$modebits]}-$bits  rcIconv: (${rcIco16},${rcIco32})  $hexUTF32BE "
          #
          #
          #
          if ((rcIco16==0 || rcIco32==0)) ;then
              # 'strict(16)' OR 'lax(32)'... 'iconv' managed to generate a UTF-8 pattern  
                  ((D==1)) &&       echo -n "bits-$bits rcIconv: pattern* $hexUTF32BE"
                  ((D==1)) &&       if [[ $bits == "16" && $rcIco32 == "0" ]] ;then 
                  echo " .. 'lax' UTF-8 produced a pattern"
              else
                  echo
              fi
               # regex test
              if ((modebits==strict)) ;then
                 #rxOut="$(echo -n "$UTF8" |perl -l -ne '/^(([\x00-\x7F])|([\xC2-\xDF][\x80-\xBF])|((([\xE0][\xA0-\xBF])|([\xED][\x80-\x9F])|([\xE1-\xEC\xEE-\xEF][\x80-\xBF]))([\x80-\xBF]))|((([\xF0][\x90-\xBF])|([\xF1-\xF3][\x80-\xBF])|([\xF4][\x80-\x8F]))([\x80-\xBF]{2})))*$/ or print' )"
                                     rxOut="$(echo -n "$UTF8" |
                  perl -l -ne '/^( ([\x00-\x7F])             # 1-byte pattern
                                  |([\xC2-\xDF][\x80-\xBF])  # 2-byte pattern
                                  |((([\xE0][\xA0-\xBF])|([\xED][\x80-\x9F])|([\xE1-\xEC\xEE-\xEF][\x80-\xBF]))([\x80-\xBF]))  # 3-byte pattern
                                  |((([\xF0][\x90-\xBF])|([\xF1-\xF3][\x80-\xBF])|([\xF4][\x80-\x8F]))([\x80-\xBF]{2}))        # 4-byte pattern
                                 )*$ /x or print' )"
               else
                  if ((Test==2)) ;then
                      rx="$(echo -n "$UTF8" |perl -l -ne '/^([\000-\177]|[\300-\337][\200-\277]|[\340-\357][\200-\277]{2}|[\360-\367][\200-\277]{3}|[\370-\373][\200-\277]{4}|[\374-\375][\200-\277]{5})*$/ and print')"
                      [[ "$UTF8" != "$rx" ]] && rxOut="$UTF8" || rxOut=
                      rx="$(echo -n "$rx" |sed -e "s/\(..\)/\1 /g")"  
                  else 
                      rxOut="$(echo -n "$UTF8" |perl -l -ne '/^([\000-\177]|[\300-\337][\200-\277]|[\340-\357][\200-\277]{2}|[\360-\367][\200-\277]{3}|[\370-\373][\200-\277]{4}|[\374-\375][\200-\277]{5})*$/ or print' )"
                  fi
              fi
              if [[ "$rxOut" == "" ]] ;then
                ((D==1)) &&           echo "        rcRegex: ok"
                  rcRegex=0
              else
                  ((D==1)) &&           echo -n "bits-$bits rcRegex: error    $hexUTF32BE .. 'strict' failed,"
                  ((D==1)) &&           if [[  "12" == *$Test* ]] ;then 
                                            echo # "  (codepoint) Test $Test" 
                                        else
                                            echo
                                        fi
                  rcRegex=1
              fi
          fi
          #
      elif [[ $Test == 2 ]]
      then # Test 2. Throw a randomizing spanner into the works! 
          #          Then test the  arbitary bytes ASIS
          #
          hexLineRand="$(echo -n "$hexUTF32BE" |
            sed -re "s/(.)(.)(.)(.)(.)(.)(.)(.)/\1\n\2\n\3\n\4\n\5\n\6\n\7\n\8/" |
              sort -R |
                tr -d '\n')"
          # 
      elif [[ $Test == 3 ]]
      then # Test 3. Test single UTF-16BE bytes in the range 0x00000000 to 0x7FFFFFFF
          #
          echo "Test 3 is not properly implemented yet.. Exiting"
          exit 99 
      else
          echo "ERROR: Invalid mode"
          exit
      fi
      #
      #
      if ((Test==1 || Test=2)) ;then
          if ((modebits==strict && CPDec<=$((0xFFFF)))) ;then
              ((rcIconv=rcIco16))
          else
              ((rcIconv=rcIco32))
          fi
          if ((rcRegex!=rcIconv)) ;then
              [[ $Test != 1 ]] && echo
              if ((rcRegex==1)) ;then
                  echo "ERROR: 'regex' ok, but NOT 'iconv': ${hexUTF32BE} "
              else
                  echo "ERROR: 'iconv' ok, but NOT 'regex': ${hexUTF32BE} "
              fi
              ((failCt++));
          elif ((rcRegex!=0)) ;then
            # ((invalCt++)); echo -ne "$hexUTF32BE  exit-codes $${rcIco16}${rcIco32}=,$rcRegex\t: $(printf "%0.8X\n" $invalCt)\t$hexLine$(printf "%$(((mode3whi*2)-${#hexLine}))s")\r"
              ((invalCt++)) 
          else
              ((validCt++)) 
          fi
          if   ((Test==1)) ;then
              echo -ne "$hexUTF32BE "    "mode=${mode[$modebits]}  test-return=($rcIconv,$rcRegex)   valid,invalid,fail=($(printf "%X" $validCt),$(printf "%X" $invalCt),$(printf "%X" $failCt))          \r"
          else 
              echo -ne "$hexUTF32BE $rx mode=${mode[$modebits]} test-return=($rcIconv,$rcRegex)  val,inval,fail=($(printf "%X" $validCt),$(printf "%X" $invalCt),$(printf "%X" $failCt))\r"
          fi
      fi
  done
  } # End time
fi
exit

मेरे regexp के साथ मुख्य समस्या यह है कि इसने कुछ निषिद्ध अनुक्रमों की अनुमति दी जैसे \300\200(वास्तव में बुरा: यह कोड बिंदु 0 है जो एक शून्य बाइट के साथ व्यक्त नहीं किया गया है!)। मुझे लगता है कि आपका regexp उन्हें सही ढंग से अस्वीकार करता है।
गिलेस एसओ- बुराई को रोकना '

7

मुझे यूटीएफ -8 डेटा का निरीक्षण करने के लिए उपयोगी uconv( icu-devtoolsडेबियन में पैकेज) मिला:

$ print '\\xE9 \xe9 \u20ac \ud800\udc00 \U110000' |
    uconv --callback escape-c -t us
\xE9 \xE9 \u20ac \xED\xA0\x80\xED\xB0\x80 \xF4\x90\x80\x80

( \xअमान्य वर्णों को स्पॉट करने में मदद करता है ( \xE9ऊपर दिए शाब्दिक के साथ स्वेच्छा से पेश किए गए झूठे सकारात्मक को छोड़कर )।

(अन्य अच्छे उपयोग के बहुत सारे)।


मुझे लगता है कि recodeइसी तरह इस्तेमाल किया जा सकता है - सिवाय इसके कि मुझे लगता है कि अगर यह एक अवैध मल्टीबाइट अनुक्रम का अनुवाद करने के लिए कहा जाए तो असफल होना चाहिए। मुझे यकीन नहीं है; यह print...|recode u8..u8/x4उदाहरण के लिए विफल नहीं होगा (जो कि जैसा आप ऊपर करते हैं, वैसा ही करता है) क्योंकि यह कुछ भी नहीं करता है iconv data data, लेकिन यह विफल हो जाता है recode u8..u2..u8/x4क्योंकि यह तब प्रिंट करता है। लेकिन मैं यह सुनिश्चित करने के लिए पर्याप्त नहीं जानता कि - और बहुत सारी संभावनाएं हैं।
mikeserv

अगर मैं एक फ़ाइल है, का कहना है test.txt। मुझे आपके समाधान का उपयोग करके अमान्य वर्ण खोजने के लिए कैसे मान लेना चाहिए? usआपके कोड का क्या मतलब है?
jdhao

@ हाओ, usसंयुक्त राज्य का मतलब है, जो ASCII के लिए छोटा है। यह इनपुट को एक ASCII में परिवर्तित करता है, जहाँ गैर-ASCII वर्णों को \uXXXXअंकन और गैर-वर्णों में परिवर्तित किया जाता है \xXX
स्टीफन चेज़लस

मुझे आपकी स्क्रिप्ट का उपयोग करने के लिए अपनी फ़ाइल कहाँ रखनी चाहिए? क्या कोड की अंतिम पंक्ति आपके कोड के आउटपुट को रोकती है? यह मेरे लिए थोड़ा भ्रमित करने वाला है।
jdhao

4

संस्करण 2.0 के बाद से पायथन का अंतर्निहित unicodeकार्य हुआ है।

#!/usr/bin/env python2
import sys
for line in sys.stdin:
    try:
        unicode(line, 'utf-8')
    except UnicodeDecodeError:
        sys.stdout.write(line)

पायथन 3 में, unicodeतह कर दिया गया है str। इसे बाइट्स जैसी वस्तु को पारित करने की आवश्यकता है , यहां मानक विवरणों केbuffer लिए अंतर्निहित वस्तुएं हैं ।

#!/usr/bin/env python3
import sys
for line in sys.stdin.buffer:
    try:
        str(line, 'utf-8')
    except UnicodeDecodeError:
        sys.stdout.buffer.write(line)

python 2एक झंडा UTF-8 एन्कोडेड UTF-16 के किराए की गैर-वर्ण में विफल रहता है (कम से कम 2.7.6 के साथ)।
स्टीफन चेज़लस

@ स्टीफनचेज़ेलस डेमिट। धन्यवाद। मैंने अब तक केवल नाममात्र परीक्षण चलाया है, मैं पीटर की परीक्षण बैटरी बाद में चलाऊंगा।
गाइल्स का SO- दुष्ट होना बंद करो '

1

मैं इसी तरह की समस्या ("संदर्भ" खंड में विस्तार से आया) और निम्नलिखित ftfy_line_by_line.py समाधान के साथ आया :

#!/usr/bin/env python3
import ftfy, sys
with open(sys.argv[1], mode='rt', encoding='utf8', errors='replace') as f:
  for line in f:
    sys.stdout.buffer.write(ftfy.fix_text(line).encode('utf8', 'replace'))
    #print(ftfy.fix_text(line).rstrip().decode(encoding="utf-8", errors="replace"))

Mojibake और अन्य सुधारों को ऑटो-फिक्स करने के लिए encode + प्रतिस्थापित + ftfy का उपयोग करना ।

प्रसंग

मैंने मूल फ़ाइल सिस्टम मेटाडेटा के 10GiB CSV को निम्नलिखित जीन_basic_files_metadata.csv.sh स्क्रिप्ट का उपयोग करके , अनिवार्य रूप से एकत्र किया है :

find "${path}" -type f -exec stat --format="%i,%Y,%s,${hostname},%m,%n" "{}" \;

मुसीबत मैं था के साथ था फ़ाइल नामों की असंगत एन्कोडिंग फाइल सिस्टम के पार, जिससे UnicodeDecodeErrorजब अजगर अनुप्रयोगों के साथ आगे की प्रक्रिया ( csvsql अधिक विशिष्ट)।

इसलिए मैंने ftfy स्क्रिप्ट के ऊपर लागू किया, और यह लिया

कृपया ध्यान दें कि ftfy बहुत धीमी है, उन प्रसंस्करण> 10GiB लिया:

real    147m35.182s
user    146m14.329s
sys     2m8.713s

जबकि तुलना के लिए sha256sum:

real    6m28.897s
user    1m9.273s
sys     0m6.210s

Intel (R) Core (TM) पर i7-3520M CPU @ 2.90GHz + 16GiB RAM (और बाहरी ड्राइव पर डेटा)


और हाँ, मुझे पता है कि यह कमांड ठीक से फ़ाइल नाम नहीं
लिखेगा
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.