Python 检查Unicode的可打印性

我知道要检查字符串是否可打印，我们可以执行以下操作：

def isprintable(s,codec='utf8'):
    try: 
        s.codec(codec)
    except UnicodeDecodeError: 
        return False
    else: 
        return True

但是有没有办法用Unicode而不是字符串来实现呢？ 顺便说一句，我正在处理推文，我将推文转换为Unicode，如下所示

text=unicode(status.text)

---

您正在寻找一系列代码点的测试，因此需要一个正则表达式：

import re
# match characters from ¿ to the end of the JSON-encodable range
exclude = re.compile(ur'[\u00bf-\uffff]')

def isprintable(s):
    return not bool(exclude.search(s))

对于代码点超过\u00BE¾的任何unicode文本，这将返回False

---

您正在寻找一系列代码点的测试，因此需要一个正则表达式：

import re
# match characters from ¿ to the end of the JSON-encodable range
exclude = re.compile(ur'[\u00bf-\uffff]')

def isprintable(s):
    return not bool(exclude.search(s))

对于代码点超过\u00BE¾的任何unicode文本，这将返回False

---

我不确定使用代码点的解决方案在面对Unicode标准更改或不同编码时是否可靠。更抽象的解决方案：

import unicodedata

if unicodedata.category(char) == 'Cc':
        raise UnhandledKeypressError('unprintable char')

换句话说，如果字符串的所有字符unicode对象没有值为“control”的属性类别，则该字符串是可打印的

为了进行比较，Qt的QChar.isPrint：

如果字符是可打印字符，则返回true；否则返回false。这是任何不属于Cc或Cn类别的字符。请注意，这并不表示该字符在特定字体中是否可用

---

我不确定使用代码点的解决方案在面对Unicode标准更改或不同编码时是否可靠。更抽象的解决方案：

import unicodedata

if unicodedata.category(char) == 'Cc':
        raise UnhandledKeypressError('unprintable char')

换句话说，如果字符串的所有字符unicode对象没有值为“control”的属性类别，则该字符串是可打印的

为了进行比较，Qt的QChar.isPrint：

如果字符是可打印字符，则返回true；否则返回false。这是任何不属于Cc或Cn类别的字符。请注意，这并不表示该字符在特定字体中是否可用

---

字符串上没有.codec方法。。你的意思是可能解码吗？相反的是。将文本编码为UTF8。但所有Unicode代码点都可编码为UTF-8，因此这将始终成功，因此您需要澄清“可打印”的含义。最后但并非最不重要的一点是，如果您通过JSON API加载tweet，则它们已经作为Unicode对象返回，前提是您或您使用JSON模块解码为python的库；我猜想，在英语世界之外的许多国家，“典型键盘”对你来说都是陌生的。恐怕你得把范围缩小一点。我看过很多英文推文，上面都有拉丁字符。那么所有流行的Unicode表情符号呢？如果你忽略了那些能让我走的路(╯°□°）╯︵\ .o、 \字符串上没有.codec方法。。你的意思是可能解码吗？相反的是。将文本编码为UTF8。但所有Unicode代码点都可编码为UTF-8，因此这将始终成功，因此您需要澄清“可打印”的含义。最后但并非最不重要的一点是，如果您通过JSON API加载tweet，则它们已经作为Unicode对象返回，前提是您或您使用JSON模块解码为python的库；我猜想，在英语世界之外的许多国家，“典型键盘”对你来说都是陌生的。恐怕你得把范围缩小一点。我看过很多英文推文，上面都有拉丁字符。那么所有流行的Unicode表情符号呢？如果你忽略了那些能让我走的路(╯°□°）╯︵\ .o、 \U+FFFF之后的字符如何？@ecatmur:JSON不允许这些字符；tweepy使用twitter JSON API。我怀疑Twitter甚至不接受这些代码点，JSON确实接受>0xFFFF。即使使用unicode转义序列，它也只是代理，例如@Esailija:right，因为ECMA脚本标准规定源代码应该用UTF-16编码；\uffff上的代码点需要使用代理。JSON标准在这一点上有点含糊不清，它允许“任何Unicode字符”以及四个十六进制数字转义码。ECMA脚本标准对\uFFFF上的码点也没有转义序列，顺便说一句，该标准规定，除非另有说明，否则一个实现被假定只支持BMP码点。@MartijnPiers这里的JSON规范在最后一段中以2.5个字符串表示。要转义不在基本多语言平面中的扩展字符，该字符将表示为12个字符的序列，对UTF-16代理项对进行编码。因此，例如，仅包含G谱号字符U+1D11E的字符串可以表示为\uD834\uDD1E。这只是关于解析，无论是宽构建还是窄构建都无关紧要。超过U+FFFF的字符如何？@ecatmur:JSON不允许这些；tweepy使用twitter JSON API。我怀疑Twitter甚至不接受这些代码点，JSON确实接受>0xFFFF。即使使用unicode转义序列，它也只是代理，例如@Esailija:right，因为ECMA脚本标准规定源代码应该用UTF-16编码；代码点超过\uffff需要

---

使用代理。JSON标准在这一点上有点含糊不清，它允许“任何Unicode字符”以及四个十六进制数字转义码。ECMA脚本标准对\uFFFF上的码点也没有转义序列，顺便说一句，该标准规定，除非另有说明，否则一个实现被假定只支持BMP码点。@MartijnPiers这里的JSON规范在最后一段中以2.5个字符串表示。要转义不在基本多语言平面中的扩展字符，该字符将表示为12个字符的序列，对UTF-16代理项对进行编码。因此，例如，仅包含G谱号字符U+1D11E的字符串可以表示为\uD834\uDD1E。这仅仅是关于解析的，不管是宽构建还是窄构建。