Python unicode 字符串被 psycopg 拒绝

Question

我从野外收到了一个 unicode 字符串，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()

运行此命令会出现以下异常:

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，使其无法单独生活。

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对。

我发现一个导致异常的方法是尝试 x.encode('utf16').decode('utf16')但是，由于我不完全了解相关风险，因此我会有些担心。

编辑:将 SSCE 字符串减少为导致问题的单个字符，并根据注释添加信息。

Answer 1

字符串u'\ud837'由surrogate pair的一个单独成员组成。 ，两个按顺序出现的物理字符形成一个逻辑字符。因此，它没有定义 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为 16 位代码单元。 Python 3 正确拒绝以任何字节编码(包括 UTF-* 变体)对单独代理进行编码的尝试。

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)，该系统天真地缩短了该字符串而不小心代理人。

从 this answer 获取正则表达式，应该可以使用以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