Python截断国际字符串

Question

我已经尝试调试这个程序太久了，我显然不知道我在做什么，所以希望有人能帮上忙。我甚至不确定我应该问什么，但它是这样的：

我正在尝试发送Apple推送通知，它们的有效负载大小限制为256字节。因此，减去一些开销，我只剩下大约100个英文字符的主要消息内容。

因此，如果消息长度超过最大值，我会将其截断：

MAX_PUSH_LENGTH = 100
body = (body[:MAX_PUSH_LENGTH]) if len(body) > MAX_PUSH_LENGTH else body

所以这很好，而且无论我有多长的消息(英文)，推送通知都会成功发送。但是，现在我有了一个阿拉伯字符串：

str = "هيك بنكون 
عيش بجنون تون تون تون هيك بنكون 
عيش بجنون تون تون تون 
أوكي أ"

>>> print len(str)
109

所以这应该被截断。但是，我总是得到一个无效的有效负载大小错误！出于好奇，我不断降低MAX_PUSH_LENGTH阈值，看看需要什么才能成功，直到我将限制设置为60左右，推送通知才成功。

我不确定这是否与英语以外的语言的字节大小有关。据我所知，英文字符占用一个字节，那么阿拉伯字符占用2个字节吗？这会不会与此有关？

此外，字符串在发送之前是JSON编码的，所以它最终看起来像这样：\u0647\u064a\u0643 \u0628\u0646\u0643\u0648\u0646 \n\u0639\u064a\u0634 ...会不会被解释为一个原始字符串，而u0647只有5个字节？

我应该在这里做什么？有没有什么明显的错误，或者我没有问对问题？

Answer 1

您需要剪切到字节长度，因此您需要首先.encode('utf-8')您的字符串，然后在代码点边界处剪切它。

在UTF8中，ASCII (<= 127)是1字节。Bytes with two or more most significant bits set (>= 192)是字符起始字节；后面的字节数由设置的最高有效位数决定。其他的都是连续字节。

如果您在中间剪切多字节序列，可能会出现问题；如果一个字符不适合，则应该完全剪切它，直到开始字节。

下面是一些有效的代码：

LENGTH_BY_PREFIX = [
  (0xC0, 2), # first byte mask, total codepoint length
  (0xE0, 3), 
  (0xF0, 4),
  (0xF8, 5),
  (0xFC, 6),
]

def codepoint_length(first_byte):
    if first_byte < 128:
        return 1 # ASCII
    for mask, length in LENGTH_BY_PREFIX:
        if first_byte & mask == mask:
            return length
    assert False, 'Invalid byte %r' % first_byte

def cut_to_bytes_length(unicode_text, byte_limit):
    utf8_bytes = unicode_text.encode('UTF-8')
    cut_index = 0
    while cut_index < len(utf8_bytes):
        step = codepoint_length(ord(utf8_bytes[cut_index]))
        if cut_index + step > byte_limit:
            # can't go a whole codepoint further, time to cut
            return utf8_bytes[:cut_index]
        else:
            cut_index += step
    # length limit is longer than our bytes strung, so no cutting
    return utf8_bytes

现在进行测试。如果.decode()成功，我们就做了一个正确的裁剪。

unicode_text = u"هيك بنكون" # note that the literal here is Unicode

print cut_to_bytes_length(unicode_text, 100).decode('UTF-8')
print cut_to_bytes_length(unicode_text, 10).decode('UTF-8')
print cut_to_bytes_length(unicode_text, 5).decode('UTF-8')
print cut_to_bytes_length(unicode_text, 4).decode('UTF-8')
print cut_to_bytes_length(unicode_text, 3).decode('UTF-8')
print cut_to_bytes_length(unicode_text, 2).decode('UTF-8')

# This returns empty strings, because an Arabic letter
# requires at least 2 bytes to represent in UTF-8.
print cut_to_bytes_length(unicode_text, 1).decode('UTF-8')

您可以测试代码是否也能与ASCII一起工作。

Answer 2

如果您有一个Python Unicode值，并且想要截断，下面是在python中实现截断的一种非常简短、通用和有效的方法。

def truncate_unicode_to_byte_limit(src, byte_limit, encoding='utf-8'):
    '''
    truncate a unicode value to fit within byte_limit when encoded in encoding

    src: a unicode
    byte_limit: a non-negative integer
    encoding: a text encoding

    returns a unicode prefix of src guaranteed to fit within byte_limit when
    encoded as encoding.
    '''
    return src.encode(encoding)[:byte_limit].decode(encoding, 'ignore')

举个例子：

s = u"""
    هيك بنكون
    ascii
    عيش بجنون تون تون تون هيك بنكون
    عيش بجنون تون تون تون
    أوكي أ
"""

b = truncate_unicode_to_byte_limit(s, 73)
print len(b.encode('utf-8')), b

生成输出：

73 
    هيك بنكون
    ascii
    عيش بجنون تون تون تو

Answer 3

对于unicode string s，您需要使用类似于len(s.encode('utf-8'))的内容来获取其字节长度。len(s)只返回(未编码的)字符数。

Python：经过进一步研究，我发现Python有对增量编码的支持，这使得编写一个相当快的函数来修剪多余的字符成为可能，同时避免字符串中任何多字节编码序列的损坏。下面是使用它完成此任务的示例代码：

# -*- coding: utf-8 -*-

import encodings
_incr_encoder = encodings.search_function('utf8').incrementalencoder()

def utf8_byte_truncate(text, max_bytes):
    """ truncate utf-8 text string to no more than max_bytes long """
    byte_len = 0
    _incr_encoder.reset()
    for index,ch in enumerate(text):
        byte_len += len(_incr_encoder.encode(ch))
        if byte_len > max_bytes:
            break
    else:
        return text
    return text[:index]

s = u"""
    هيك بنكون
    ascii
    عيش بجنون تون تون تون هيك بنكون
    عيش بجنون تون تون تون
    أوكي أ
"""

print 'initial string:'
print s.encode('utf-8')
print "{} chars, {} bytes".format(len(s), len(s.encode('utf-8')))
print
s2 = utf8_byte_truncate(s, 74)  # trim string
print 'after truncation to no more than 74 bytes:'
# following will raise encoding error exception on any improper truncations
print s2.encode('utf-8')
print "{} chars, {} bytes".format(len(s2), len(s2.encode('utf-8')))

输出：

initial string:

    هيك بنكون
    ascii
    عيش بجنون تون تون تون هيك بنكون
    عيش بجنون تون تون تون
    أوكي أ

98 chars, 153 bytes

after truncation to no more than 74 bytes:

    هيك بنكون
    ascii
    عيش بجنون تون تون تو
49 chars, 73 bytes