Zapytanie o wiersze inne niż ASCII z Postgres

14

Czy [:ascii:]klasa w ogóle działa w Postgres? Nie ma ich w wykazie w ich pomocy , jednak widzę przykłady w sieci, które je wykorzystują.

Mam bazę danych UTF-8, gdzie są sortowanie i c_typ e en_US.UTF-8, a wersja Postgres to 9.6.2. Kiedy szukam wierszy spoza ASCII, takich jak to:

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

I dostać zarówno Unicode i non-Unicode symbole (pełna moc jest tutaj ):

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 

Co jest nie tak z tym zapytaniem?

Suncatcher
źródło
1
Czy to możliwe, że dostajesz zdania z niezniszczalnymi spacjami Unicode? (lub jakakolwiek inna postać, która ukrywa się na widoku)
joanolo
@joanolo, jak to sprawdzić? Jak zobaczyć niejednolity widok?
Suncatcher
Możesz użyć a, regexp_replace()aby zaznaczyć swoje znaki spoza ASCII. Zobacz moją odpowiedź.
joanolo,
1
Zawsze należy wklejać dokładny wynik w dba.se. Nie możemy przetestować grafiki pod kątem znaków innych niż ascii. możemy przetestować rzeczywisty zestaw wyników. To dziecko z plakatu nie powinno być grafiką
Evan Carroll
2
Dodając tylko dwa centy: odpowiedź Joanolo jest spektakularna, ale nie pomogło mi rozwiązać tego konkretnego problemu. Poza właściwymi cytatami w moim zestawie danych jest mnóstwo innych mylących znaków (podobnie jak spacje, „,«), co uniemożliwia użycie [:ascii:]klasy. To, co naprawdę pomogło mi w tym problemie, to koncepcja bloków Unicode, których nauczyłem się z tego wspaniałego wyrażenia regularnego samouczek .
SunCatcher

Odpowiedzi:

25

Aby odpowiedzieć na twoje pytanie: [:ascii:]działa. W tekście może znajdować się kilka znaków, których nie rozpoznajesz jako nie-ASCII , ale one tam są. Mogą to być na przykład spacje nierozerwalne , lub dowolny inny znak spacji Unicode .

Nie jest dziwne, że w tekstach, które kopiujesz i wklejasz ze strony internetowej, nie można wstawić spacji (  ), ale nie zauważysz, że tam są.

Oto przykład do pokazania:

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:]]' ;

To Co Dostajesz:

                                       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 

Widać z tego, że twoim problemem jest prawostronna postać . ASCII obsługuje tylko apostrof. Lewy apostrof i prawy apostrof są poprawnymi typograficznie rozszerzeniami Unicode.

dbfiddle tutaj

Możesz to sprawdzić również w poprzednich wersjach na http://rextester.com/UKIQ48014 (PostgreSQL 9.5) i http://sqlfiddle.com/#!15/4c563/1/0 (PostgreSQL 9.3)


Teksty, które, jak myślę, uważasz za czyste ASCII i nie są :

 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:]]' ;
| oznaczone t |
 | : ------------------------------------------------- ----------------------------- |
 | Czy słyszałeś o Świętej Śmierci? Nie modlić się do niej. |
 | Współczynnik małżeństw w Chinach gwałtownie spada, ponieważ kobiety wybierają autonomię zamiast |
 

dbfiddle tutaj

Teksty te używają zamiast do oznaczania apostrofów.

Sprawdź interpunkcję: Dlaczego właściwy pojedynczy cytat (U + 2019), a nie semantycznie odrębny apostrof (U + 0027), jest preferowanym znakiem apostrofu w Unicode? ... aby zobaczyć, że nie jesteś pierwszą osobą, która napotyka ten problem.

joanolo
źródło
3
To jest naprawdę fantastyczna odpowiedź, ponieważ pokazuje postacie inne niż ascii. W ten sposób odpowiedziałbym na to pytanie.
Evan Carroll
1
Zaktualizowałem za pomocą przykładu PO.
Evan Carroll,
1
Naprawdę fantastyczna i pomocna odpowiedź! Dzięki.
Suncatcher