ফিল্টারিং অবৈধ utf8


50

আমার অজানা বা মিশ্র এনকোডিংয়ের একটি পাঠ্য ফাইল রয়েছে। আমি লাইনগুলি দেখতে চাই যেগুলিতে একটি বাইট ক্রম রয়েছে যা বৈধ UTF-8 নয় (কিছু প্রোগ্রামে টেক্সট ফাইলটি পাইপ করে)। সমানভাবে, আমি বৈধ ইউটিএফ -8 লাইনগুলি ফিল্টার করতে চাই। অন্য কথায়, আমি তার জন্য দেখছি ।grep [notutf8]

একটি আদর্শ সমাধান পোর্টেবল, সংক্ষিপ্ত এবং অন্যান্য এনকোডিংগুলিতে সাধারণীকরণযোগ্য হবে তবে আপনি যদি ইউটিএফ -8 এর সংজ্ঞাটি বেকিং করার সবচেয়ে ভাল উপায় অনুভব করেন তবে এগিয়ে যান।



@ মাইকেল: বা ইউনিক্স.স্ট্যাকেক্সেঞ্জাওয়েজ / প্রশ্নগুলি / 646460০/২ ... আমি কম আছরযুক্ত কিছু আশা করছিলাম।
গিলস 'তাই খারাপ হওয়া বন্ধ করুন'

উত্তর:


34

আপনি যদি ব্যবহার করতে চান তবে আপনি এটি করতে পারেন grep:

grep -axv '.*' file

কমপক্ষে একটি অবৈধ ইউটিএফ -8 সিকোয়েন্স রয়েছে এমন লাইনগুলি পাওয়ার জন্য ইউটিএফ -8 স্থানীয়তে (এটি কমপক্ষে জিএনইউ গ্রেপ দিয়ে কাজ করে)।


ব্যতীত -a, এটি পসিক্স দ্বারা কাজ করা প্রয়োজন। তবে জিএনইউ grepকমপক্ষে ইউটিএফ -8 এনকোডেড ইউটিএফ -16 সারোগেট নন-অক্ষর বা 0x10FFFF এর উপরে কোডপয়েন্টগুলি স্পট করতে ব্যর্থ হয়েছে।
স্টাফেন চেজেলাস

1
@ স্টাফেনচাজেলাস বিপরীতে, -aজিএনইউ দ্বারা এটির প্রয়োজনীয়তা রয়েছে grep(যা পোসিক্স অনুগত নয়, আমি ধরে নিই)। সম্পর্কিত, সারোগেট অঞ্চল এবং 0x10FFFF এর উপরে কোডপয়েন্টগুলি, এটি তখন একটি বাগ (যা এটি ব্যাখ্যা করতে পারে )। এর জন্য, যোগ -Pকরা জিএনইউ grep2.21 (তবে ধীর) এর সাথে কাজ করা উচিত ; এটি কমপক্ষে ডেবিয়ান গ্রেপ / 2.20-4 এ বগি
ভিঙ্ক 17

দুঃখিত, আমার খারাপ, আচরণটি POSIX এ অনির্ধারিত থেকে যেহেতু grepএকটি পাঠ্য ইউটিলিটি (কেবলমাত্র পাঠ্য ইনপুটটিতে কাজ করা প্রত্যাশিত), তাই আমি মনে করি GNU গ্রেপের আচরণ এখানে যে কোনও হিসাবে বৈধ।
স্টাফেন চেজেলাস

@ স্টাফেনচাজেলাস আমি নিশ্চিত করে যে পসিএক্স বলেছে: "ইনপুট ফাইলগুলি পাঠ্য ফাইল হবে।" (যদিও বর্ণনার অংশে নেই, যা কিছুটা বিভ্রান্তিকর) এর অর্থ হ'ল অবৈধ ক্রমগুলির ক্ষেত্রে, আচরণটি পসিক্স দ্বারা সংজ্ঞায়িত করা হয়। সুতরাং বাস্তবায়ন, যেমন জিএনইউ grep(যার উদ্দেশ্য অবৈধ ক্রমগুলি অ-মিল হিসাবে বিবেচনা করার জন্য) এবং সম্ভাব্য বাগগুলি জানা দরকার।
ভিঙ্ক 17

1
আমি এই এক এ গৃহীত উত্তর সুইচিং করছি (দুঃখিত, Peter.O কারণ এটি সহজ এবং আমার প্রাথমিক ব্যবহারের ক্ষেত্রে, যা অন্যান্য সাধারণ এনকোডিং (বিশেষ করে 8-বিট এনকোডিং) থেকে হল UTF-8 পার্থক্য করার জন্য একটি অনুসন্ধানমূলক জন্য ভাল কাজ করে। Stéphane চেজেলাস এবং পিটার.ও ইউটিএফ -8 সম্মতির ক্ষেত্রে আরও সঠিক উত্তর সরবরাহ করে
গিলস 'দুষ্ট হওয়া বন্ধ করুন'

33

আমি মনে করি আপনি সম্ভবত আইকনভি চান । এটি কোডসেটের মধ্যে রূপান্তর করার জন্য এবং বিন্যাসের একটি অযৌক্তিক সংখ্যার সমর্থন করে। উদাহরণস্বরূপ, ইউটিএফ -8 এ বৈধ নয় এমন কোনও কিছু ছিনিয়ে নিতে আপনি ব্যবহার করতে পারেন:

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

-সি বিকল্প ব্যতীত এটি স্ট্যাডারে রূপান্তরিত করতে সমস্যাগুলির প্রতিবেদন করবে, যাতে প্রক্রিয়া নির্দেশের সাহায্যে আপনি এগুলির একটি তালিকা সংরক্ষণ করতে পারেন। আর একটি উপায় হ'ল নন-ইউটিএফ 8 স্ট্রিপগুলি সরিয়ে ফেলা হবে

diff input.txt output.txt

যেখানে পরিবর্তন করা হয়েছিল তার একটি তালিকার জন্য।


ঠিক আছে iconv -c -t UTF-8 <input.txt | diff input.txt - | sed -ne 's/^< //p'। এটি পাইপলাইন হিসাবে কাজ করবে না, যদিও যেহেতু আপনাকে দুবার ইনপুট পড়তে teeহবে (না, তা করবে না, এটি কতটা বাফারিং iconvএবং diffকী করে তার উপর নির্ভর করে ব্লক হতে পারে )।
গিলস 'দুষ্ট হওয়া বন্ধ করুন'

2
এলোমেলো দ্রষ্টব্য: ইনপুট এবং আউটপুট একই ফাইল নাও হতে পারে বা আপনি একটি খালি ফাইলটি শেষ করবেন
drahnr

1
বা আপনার শেল এটি সমর্থন করে যদি প্রক্রিয়া প্রতিস্থাপন ব্যবহার করুনdiff <(iconv -c -t UTF-8 <input.txt) input.txt
কার্ল

আপনি এটি কীভাবে করবেন এবং ইনপুট হিসাবে একই ফাইলে আউটপুট তৈরি করবেন। আমি সবেমাত্র এটি করেছি এবং একটি ফাঁকা ফাইল আইকনভি-সি-টিটি ইউটিএফ -8 <ইনপুট.টেক্সট> ইনপুট.টেক্সট পেয়েছি
কোস্টাস ভ্রাহিমিস

1
ধন্যবাদ .. এটি ভাঙা utf-8 postgresql ডাম্প পুনরুদ্ধার করার অনুমতি দেয়, তবে বৈধ utf-8
ছাড়ছে না

21

সম্পাদনা: আমি Regex একটি টাইপো-বাগ সমাধান করে ফেলেছেন .. এটা একটা '\ x80` না প্রয়োজন \ 80

ইউটিএফ -8-র কঠোর আনুগত্যের জন্য, অবৈধ ইউটিএফ -8 ফর্মগুলি ফিল্টার করার জন্য রেজেক্সটি নিম্নরূপ

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'

আউটপুট (মূল লাইনগুলির। টেস্ট 1 থেকে ):

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)          

প্র: অবৈধ ইউনিকোড ফিল্টার করে এমন একটি রেইজেক্স পরীক্ষা করার জন্য কেউ কীভাবে ডেটা তৈরি করে?
উ: আপনার নিজের ইউটিএফ -8 পরীক্ষা অ্যালগরিদম তৈরি করুন, এবং এর নিয়মগুলি ভঙ্গ করুন ...
ক্যাচ -২২ .. তবে তারপরে কীভাবে আপনি আপনার পরীক্ষার অ্যালগরিদম পরীক্ষা করেন?

Regex, উপরোক্ত, পরীক্ষা করা হয়েছে (ব্যবহার iconvথেকে পূর্ণসংখ্যা মান জন্য রেফারেন্স হিসেবে) 0x00000থেকে 0x10FFFFহচ্ছে .. এই ঊর্ধ্ব মান একটি ইউনিকোড কোডপয়েন্ট সর্বোচ্চ পূর্ণসংখ্যা মান

এই উইকিপিডিয়া ইউটিএফ -8 পৃষ্ঠা অনুসারে,।

  • ইউটিএফ -8 ইউনিকোড অক্ষর সেটটিতে 1,112,064 কোড পয়েন্টগুলির প্রতিটি এনকোড করে এক থেকে চারটি 8-বিট বাইট ব্যবহার করে

এই numeber (1,112,064) একটি পরিসরের equates 0x000000করার 0x10F7FF, যা সর্বোচ্চ ইউনিকোড কোডপয়েন্ট জন্য প্রকৃত সর্বাধিক পূর্ণসংখ্যা মান এর 0x0800 লাজুক:0x10FFFF

এই পূর্ণসংখ্যার ব্লক হল UTF-16 এনকোডিং জন্য প্রয়োজন কারণ ইউনিকোড Codepoints বর্ণালী থেকে অনুপস্থিত, তার মূল নকশা অভিপ্রায় পরলোক পইঠা একটি সিস্টেম নামক মাধ্যমে ভাড়াটে জোড়া । একটি ব্লক 0x0800পূর্ণসংখ্যার .. হল UTF-16 দ্বারা ব্যবহার করা হবে সংরক্ষিত করা হয়েছে এই ব্লক পরিসীমা ঘটনাকাল 0x00D800থেকে 0x00DFFF। এই ইন্টারেটারগুলির কোনওটিই আইনী ইউনিকোড মান নয় এবং তাই অবৈধ ইউটিএফ -8 মান।

ইন পরীক্ষা 1 , regexইউনিকোড Codepoints সীমার মধ্যে যে সংখ্যা বিরুদ্ধে পরীক্ষা করা হয়েছে, এবং তা exectly ফলাফল মিলে যায় iconv .. অর্থাত। 0x010F7FF বৈধ মান এবং 0x000800 অবৈধ মান।

যাইহোক, সমস্যাটি এখন উঠে আসে, * রেইজেক্স কীভাবে বহিরাগত UTF-8 মান পরিচালনা করে; উপরে 0x010FFFF(ইউটিএফ -8 সর্বাধিক 0x7FFFFFFF এর পূর্ণসংখ্যার মান সহ 6 বাইট পর্যন্ত প্রসারিত হতে পারে ?
প্রয়োজনীয় * নন-ইউনিকোড ইউটিএফ -8 বাইট মান তৈরি করতে , আমি নিম্নলিখিত কমান্ডটি ব্যবহার করেছি:

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

তাদের বৈধতা পরীক্ষা করার জন্য (কিছু ফ্যাশনে), আমি Gilles'ইউটিএফ -8 রেজেক্স ব্যবহার করেছি ...

  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'

'পারেলের মুদ্রণ ক্রিয়াকলাপ' এর আউটপুট গিলসের 'রেজেক্স' এর ফিল্টারিংয়ের সাথে মেলে .. একটিতে অন্যটির বৈধতা জোরদার হয় .. আমি ব্যবহার করতে পারি না iconvকারণ এটি কেবল বিস্তৃত (মূল) ইউটিএফ -8 এর বৈধ-ইউনিকোড স্ট্যান্ডার্ড উপসেটটি পরিচালনা করে I মান ...

জড়িত নুনবারগুলি বরং বড়, সুতরাং আমি 11111, 13579, 33333, 53441 এর মতো বর্ধনের দ্বারা শীর্ষস্থানীয়-রেঞ্জ, নীচে-পরিসীমা এবং কয়েকটি স্ক্যান পরীক্ষা করেছি ... ফলাফলগুলি সমস্ত মিলছে, তাই এখন যা কিছু অবশিষ্ট রয়েছে তা হ'ল এই সীমার বাইরে থাকা ইউটিএফ -8-স্টাইলের মানগুলির (ইউনিকোডের জন্য অবৈধ, এবং তাই নিজেই কঠোর ইউটিএফ -8 এর জন্যও অবৈধ) পরীক্ষা করা ..


পরীক্ষার মডিউলগুলি এখানে:

[[ "$(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

আমার রিজেপেক্সের মূল সমস্যাটি হ'ল এটি কিছু নিষিদ্ধ সিকোয়েন্সগুলিকে অনুমতি দিয়েছে যেমন \300\200(সত্যিই খারাপ: এটি কোড পয়েন্ট 0 নাল বাইট দিয়ে প্রকাশ করা হয়নি!)। আমি মনে করি আপনার রেজিপ্সেক্স সেগুলি সঠিকভাবে প্রত্যাখ্যান করে।
গিলস 'অশুভ হওয়া বন্ধ করুন'

7

ইউটিএফ -8 ডেটা পরিদর্শন করতে আমি uconv( icu-devtoolsদেবিয়ান প্যাকেজে) দরকারী মনে করি:

$ 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

( \xঅবৈধ অক্ষরগুলিকে চিহ্নিত করার জন্য সহায়তা ( \xE9উপরে আক্ষরিক সহ স্বেচ্ছায় পরিচয় করানো মিথ্যা ইতিবাচক ব্যতীত ))।

(অন্যান্য দুর্দান্ত ব্যবহারের প্রচুর পরিমাণে)।


আমি মনে করি recodeএকইভাবে ব্যবহার করা যেতে পারে - এটি ব্যতীত আমি মনে করি এটি যদি একটি অবৈধ মাল্টবাইট সিকোয়েন্স অনুবাদ করতে বলা হয় তবে এটি ব্যর্থ হওয়া উচিত। যদিও আমি নিশ্চিত নই; এটির জন্য ব্যর্থ হবে না print...|recode u8..u8/x4উদাহরণস্বরূপ (যা শুধু একটি hexdump আপনি উপরের হিসাবে আছে) কারণ এটি কিছু না কিন্তু iconv data data, কিন্তু এটা ব্যর্থ নেই মত recode u8..u2..u8/x4কারণ এটি তারপর কপি করে প্রিন্ট অনুবাদ। তবে এটি নিশ্চিত হওয়ার পক্ষে আমি যথেষ্ট পরিমাণে জানি না - এবং এর অনেক সম্ভাবনা রয়েছে।
মাইক্রজারভ

আমার কাছে যদি ফাইল থাকে, বলুন test.txt। আপনার সমাধানটি ব্যবহার করে আমি কীভাবে অবৈধ চরিত্রটি খুঁজে পেতে পারি? কী usবলতে চাচ্ছি আপনার কোডে?
jdhao

@ হাও, usমার্কিন যুক্তরাষ্ট্র অর্থাত্ এএসসিআইআই এর পক্ষে এটি সংক্ষিপ্ত। এটি ইনপুটটিকে একটি ASCII তে রূপান্তর করে যেখানে অ-ASCII অক্ষরগুলি \uXXXXস্বরলিপি এবং নন-অক্ষরগুলিতে রূপান্তরিত হয় \xXX
স্টাফেন চেজেলাস

আপনার স্ক্রিপ্টটি ব্যবহার করার জন্য আমার ফাইলটি কোথায় রাখা উচিত? কোডের শেষ লাইনটি কি আপনার কোডের আউটপুট অবরোধ করে? এটা আমার কাছে কিছুটা বিভ্রান্তিকর।
jdhao

4

2.0 সংস্করণ থেকে পাইথনের বিল্ট-ইন unicodeফাংশন রয়েছে।

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

পাইথন 3-এ, unicodeভাঁজ করা হয়েছে str। এটি বাইটের মতো বস্তুটি পাস করতে হবে , এখানে স্ট্যান্ডার্ড বর্ণনাকারীদেরbuffer জন্য অন্তর্নিহিত বস্তু রয়েছে ।

#!/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 2এক পতাকা UTF-8 এনকোড হল UTF-16 ভাড়াটে অ অক্ষর ব্যর্থ হয় (অন্তত 2.7.6 সহ)।
স্টাফেন চেজেলাস

@ স্টাফেনচেজেলাস দাম্মিট। ধন্যবাদ। আমি এখনও পর্যন্ত নামমাত্র পরীক্ষা চালিয়েছি, আমি পরে পিটারের পরীক্ষার ব্যাটারি চালাব।
গিলস 'দুষ্ট হওয়া বন্ধ করুন'

1

আমি অনুরূপ সমস্যা জুড়ে এসেছি (বিস্তারিত "প্রসঙ্গ" বিভাগে) এবং নিম্নলিখিত ftfy_line_by_line.py সমাধান নিয়ে এসেছি :

#!/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"))

মোজিবাকে এবং অন্যান্য সংশোধনকে স্বতঃ-ঠিক করতে এনকোড + প্রতিস্থাপন + ftfy ব্যবহার করা ।

প্রসঙ্গ

আমি নিম্নলিখিত জেন_বাসিক_ফাইলস_মেডিটাটা সিএসভি.এসপি স্ক্রিপ্টটি ব্যবহার করে> বেসিক ফাইল সিস্টেম মেটাডেটা> 10 জিআইবি সিএসভি সংগ্রহ করেছি : মূলত চলমান:

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

কষ্ট আমার কাছে তা থাকত সঙ্গে ছিল ফাইলের অসঙ্গত এনকোডিং ফাইল সিস্টেম জুড়ে, যার ফলে UnicodeDecodeErrorযখন পাইথন অ্যাপ্লিকেশনের সাথে আরও প্রক্রিয়াকরণের ( csvsql আরো নির্দিষ্ট হতে)।

অতএব আমি উপরে ftfy স্ক্রিপ্ট প্রয়োগ করেছি, এবং এটি গ্রহণ করেছে

অনুগ্রহ করে নোট করুন ftfy বেশ ধীর গতির, 10GiB এগুলি গ্রহণ করে:

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

তুলনায় sha256sum সময়:

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

ইনটেল (আর) কোর (টিএম) i7-3520M সিপিইউ @ 2.90GHz + 16GiB র‌্যামে (এবং বাহ্যিক ড্রাইভের ডেটা)


এবং হ্যাঁ, আমি জানি যে এই ফাইন্ড কমান্ডটি
সিএসভি
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.