Consultando linhas não ASCII do Postgres


14

A [:ascii:]classe funciona no Postgres? Ele não está listado em sua ajuda , no entanto, vejo exemplos na web que o utilizam.

Eu tenho um banco de dados UTF-8, onde collation e c_typ e estão en_US.UTF-8, e a versão do Postgres é 9.6.2. Quando procuro linhas não ASCII como esta:

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

Recebo ambos símbolos Unicode e não-Unicode (saída total é aqui ):

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 

O que há de errado com esta consulta?


1
É possível que você esteja recebendo sentenças com espaços não quebráveis ​​Unicode? (ou qualquer outro caractere que esconde à vista, para que o assunto)
joanolo

@joanolo, como verificar isso? Como ver a visão não clara?
Suncatcher

Você pode usar a regexp_replace()para marcar seus caracteres não ASCII. Veja minha resposta.
joanolo

1
Você sempre deve colar o resultado exato em dba.se. Não podemos testar um gráfico para caracteres não-ascii. podemos testar o conjunto de resultados real. Esta é uma criança do poster para não deve ser um gráfico
Evan Carroll

2
Só para acrescentar meus dois centavos: embora a resposta de joanolo seja espetacular, não me ajudou a resolver esse problema concreto. Exceto as aspas corretas, meu conjunto de dados tem vários outros caracteres confusos (espaços iguais ","), o que torna impossível usar a [:ascii:]classe de qualquer maneira. O que realmente me ajudou nesse problema é um conceito de blocos unicode, que aprendi com esse fabuloso regex tutorial .
Suncatcher

Respostas:


25

Para responder à sua pergunta: [:ascii:]funciona. Você pode ter alguns caracteres em seu texto que não reconhece como não ASCII , mas eles estão lá. Eles podem ser algo como um espaço inquebrável , por exemplo, ou qualquer outro caractere de espaço Unicode .

Não é estranho ter espaços inquebráveis (  ) nos textos que você copia e cola de uma página da web, mas não percebe que eles estão lá.

Aqui está um exemplo para mostrar:

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:]]' ;

É isso que você recebe:

                                       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 

Você pode ver a partir disso, que seu problema é o personagem do apóstrofo certo . O ASCII suporta apenas o apóstrofo. Apóstrofo esquerdo e apóstrofo direito são extensões Unicode tipograficamente corretas.

dbfiddle aqui

Você também pode verificá-lo com versões anteriores em http://rextester.com/UKIQ48014 (PostgreSQL 9.5) e http://sqlfiddle.com/#!15/4c563/1/0 (PostgreSQL 9.3)


Os textos que acho que são puramente ASCII e não são :

 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 |
 | : ------------------------------------------------- ----------------------------- |
 | Você já ouviu falar da Santa Morte? Não ore a ela. |
 | A taxa de casamento da China está despencando porque as mulheres estão escolhendo a autonomia sobre |
 

dbfiddle aqui

Esses textos estão usando 'em vez de ' para marcar apóstrofos.

Verificar pontuação: Por que a aspas simples correta (U + 2019) e não o apóstrofo semanticamente distinto (U + 0027), o caractere de apóstrofo preferido no Unicode? ... para ver que você não é a primeira pessoa a encontrar esse problema.


3
Essa é uma resposta realmente fantástica, pois mostra os caracteres não-ascii. É assim que eu teria respondido a essa pergunta.
Evan Carroll

1
Eu atualizei com o exemplo dos OPs.
Evan Carroll

1
Resposta realmente fantástica e útil! Obrigado.
Suncatcher
Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.