Interrogazione di righe non ASCII da Postgres


14

La [:ascii:]classe funziona in Postgres? Non è elencato nel loro aiuto , tuttavia vedo esempi sul Web che lo utilizzano.

Ho un database UTF-8, dove sono le regole di confronto e c_typ e en_US.UTF-8, e la versione di Postgres è 9.6.2. Quando cerco righe non ASCII come questa:

select title from wallabag_entry where title ~ '[^[:ascii:]]';

Ottengo entrambi i simboli Unicode e non Unicode (l'output completo è qui ):

Сталинская правозащитница: мать Меленкова бабушка Настя
Дневник НКВДиста Шабалина: Знает ли Москва положение на фронте?
Бег по городу и поездка на осле: как в средневековье наказывали прелюбодеев
Как комиссар Крекшин в 1740 чуть не отменил историю России
Have you heard of Saint Death? Dont pray to her.
Архаїчна українська мова: перевага чи недолік?
Гренада не их
Chinas marriage rate is plummeting because women are choosing autonomy over 

Cosa c'è di sbagliato in questa query?


1
È possibile che tu stia ricevendo frasi con spazi Unicode non separabili? (o qualsiasi altro personaggio che si nasconda in
bella

@joanolo, come controllare questo? Come vedere una vista non semplice?
Suncatcher

Puoi usare a regexp_replace()per contrassegnare i tuoi caratteri non ASCII. Vedi la mia risposta
joanolo

1
Dovresti sempre incollare il risultato esatto in dba.se. Non possiamo testare un grafico per caratteri non ascii. possiamo testare il set di risultati effettivo. Questo è un bambino poster per non dovrebbe essere un elemento grafico
Evan Carroll

2
Solo per aggiungere i miei due centesimi: mentre la risposta di joanolo è spettacolare, non mi ha aiutato a risolvere questo problema concreto. Tranne le virgolette giuste, il mio set di dati ha un sacco di altri personaggi confusi (spazi uguali, ",«) che rendono impossibile usare la [:ascii:]classe comunque. Ciò che mi ha davvero aiutato in questo problema è un concetto di blocchi unicode, che ho imparato da questa favolosa regex un tutorial .
Suncatcher

Risposte:


25

Per rispondere alla tua domanda: [:ascii:] funziona. Si può avere alcuni caratteri nel testo che non si riconosce come non-ASCII , eppure sono lì. Possono essere qualcosa come uno spazio non frangibile , ad esempio, o qualsiasi altro carattere spaziale Unicode .

Non è strano avere spazi non interrompibili (  ) nei testi che si copia e incolla da una pagina Web, ma non si nota che sono lì.

Ecco un esempio da mostrare:

WITH t(t) AS
(
    VALUES 
      ( 'Сталинская правозащитница: мать Меленкова бабушка Настя' ),
      ( 'Дневник НКВДиста Шабалина: Знает ли Москва положение на фронте?' ),
      ( 'Бег по городу и поездка на осле: как в средневековье наказывали прелюбодеев' ),
      ( 'Как комиссар Крекшин в 1740-е чуть не отменил историю России' ),
      ( 'Have you heard of Saint Death? Don’t pray to her.' ),
      ( 'Архаїчна українська мова: перевага чи недолік?' ),
      ( 'Гренада не их' ),
      ( 'China’s marriage rate is plummeting because women are choosing autonomy over ' )

)
SELECT 
    t,  regexp_replace(t, '([^[:ascii:]])', '[\1]', 'g') AS t_marked
FROM 
    t 
WHERE 
    t ~ '[^[:ascii:]]' ;

Questo è ciò che ottieni:

                                       t                                       |                                                                                                 t_marked                                                                                                  
-------------------------------------------------------------------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
 Сталинская правозащитница: мать Меленкова бабушка Настя                       | [С][т][а][л][и][н][с][к][а][я] [п][р][а][в][о][з][а][щ][и][т][н][и][ц][а]: [м][а][т][ь] [М][е][л][е][н][к][о][в][а] [б][а][б][у][ш][к][а] [Н][а][с][т][я]
 Дневник НКВДиста Шабалина: Знает ли Москва положение на фронте?               | [Д][н][е][в][н][и][к] [Н][К][В][Д][и][с][т][а] [Ш][а][б][а][л][и][н][а]: [З][н][а][е][т] [л][и] [М][о][с][к][в][а] [п][о][л][о][ж][е][н][и][е] [н][а] [ф][р][о][н][т][е]?
 Бег по городу и поездка на осле: как в средневековье наказывали прелюбодеев   | [Б][е][г] [п][о] [г][о][р][о][д][у] [и] [п][о][е][з][д][к][а] [н][а] [о][с][л][е]: [к][а][к] [в] [с][р][е][д][н][е][в][е][к][о][в][ь][е] [н][а][к][а][з][ы][в][а][л][и] [п][р][е][л][ю][б][о][д][е][е][в]
 Как комиссар Крекшин в 1740 чуть не отменил историю России                  | [К][а][к] [к][о][м][и][с][с][а][р] [К][р][е][к][ш][и][н] [в] 1740-[е] [ч][у][т][ь] [н][е] [о][т][м][е][н][и][л] [и][с][т][о][р][и][ю] [Р][о][с][с][и][и]
 Have you heard of Saint Death? Dont pray to her.                             | Have you heard of Saint Death? Don[’]t pray to her.
 Архаїчна українська мова: перевага чи недолік?                                | [А][р][х][а][ї][ч][н][а] [у][к][р][а][ї][н][с][ь][к][а] [м][о][в][а]: [п][е][р][е][в][а][г][а] [ч][и] [н][е][д][о][л][і][к]?
 Гренада не их                                                                 | [Г][р][е][н][а][д][а] [н][е] [и][х]
 Chinas marriage rate is plummeting because women are choosing autonomy over  | China[’]s marriage rate is plummeting because women are choosing autonomy over 

Da questo puoi vedere che il tuo problema è il personaggio dell'apostrofo di destra . ASCII supporta solo l'apostrofo. L'apostrofo sinistro e l'apostrofo destro sono estensioni Unicode tipograficamente corrette.

dbfiddle qui

Puoi verificarlo anche con le versioni precedenti su http://rextester.com/UKIQ48014 (PostgreSQL 9.5) e http://sqlfiddle.com/#!15/4c563/1/0 (PostgreSQL 9.3)


I testi che immagino tu pensi siano ASCII puri e non lo sono :

 WITH t(t) AS
 (
     VALUES 
       ('A fully ASCII text!'),
       ('Have you heard of Saint Death? Don’t pray to her.'),
       ('China’s marriage rate is plummeting because women are choosing autonomy over ')
 )
 SELECT 
    regexp_replace(t, '([^[:ascii:]])', '[\1]', 'g') AS t_marked
 FROM 
    t 
 WHERE 
    t ~ '[^[:ascii:]]' ;
| t_marked |
 | : ------------------------------------------------- ----------------------------- |
 | Hai sentito parlare di Saint Death? Non pregare per lei. |
 | Il tasso di matrimonio della Cina [] sta precipitando perché le donne scelgono l'autonomia rispetto a |
 

dbfiddle qui

Questi testi usano " invece di " per contrassegnare gli apostrofi.

Controlla la punteggiatura: perché la giusta virgoletta singola (U + 2019) e non l'apostrofo semanticamente distinto (U + 0027), il carattere apostrofo preferito in Unicode? ... per vedere che non sei la prima persona a riscontrare questo problema.


3
Questa è una risposta davvero fantastica perché ti mostra i personaggi non ascii. Ecco come avrei risposto a questa domanda.
Evan Carroll

1
Ho aggiornato con l'esempio dei PO.
Evan Carroll

1
Risposta davvero fantastica e utile! Grazie.
Suncatcher
Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.