通过将4字节unicode插入mysql引发警告

Question

请看以下内容：

/home/kinka/workspace/py/tutorial/tutorial/pipelines.py:33: Warning: Incorrect string 
value: '\xF0\x9F\x91\x8A\xF0\x9F...' for column 't_content' at row 1
n = self.cursor.execute(self.sql, (item['topic'], item['url'], item['content']))

该字符串'\xF0\x9F\x91\x8A实际上是一个4字节的unicode
：u'\U0001f62a'。mysql的字符集是utf-8，但插入4字节unicode则会截断插入的字符串。我用谷歌搜索了这样的问题，发现5.5.3下的mysql不支持4字节的unicode，不幸的是我的是5.5.224。我不想升级mysql服务器，所以我只想过滤python中的4字节unicode，我尝试使用正则表达式但失败了。那么，有什么帮助吗？

Answer 1

如果MySQL无法处理4字节或更多字节的UTF-8代码，那么您必须过滤掉代码点上的所有unicode字符\U00010000;
UTF-8将低于该阈值的代码点编码为3个字节或更少。

您可以为此使用正则表达式：

>>> import re
>>> highpoints = re.compile(u'[\U00010000-\U0010ffff]')
>>> example = u'Some example text with a sleepy face: \U0001f62a'
>>> highpoints.sub(u'', example)
u'Some example text with a sleepy face: '

另外，您可以将该.translate()函数与仅包含None值的映射表一起使用：

>>> nohigh = { i: None for i in xrange(0x10000, 0x110000) }
>>> example.translate(nohigh)
u'Some example text with a sleepy face: '

但是，创建转换表将消耗大量内存，并且需要花费一些时间来生成。正则表达式方法效率更高，可能不值得您花精力。

所有这些都假定您使用的是UCS-4编译的python。如果您的python是使用UCS-2支持编译的，那么您最多只能'\U0000ffff'在正则表达式中使用代码点，而且您永远不会遇到这个问题。

我注意到从MySQL
5.5.3开始，新添加的utf8mb4编解码器确实支持完整的Unicode范围。