web-dev-qa-db-ja.com

Postgresからの非ASCII行のクエリ

[:ascii:]クラスはPostgresでまったく機能しますか？ their help にはリストされていませんが、それを利用する webの例 が表示されます。

collat​​ionとc_typeがen_US.UTF-8であり、Postgresのバージョンが9.6であるUTF-8データベースがあります。 2。次のように非ASCII行を検索すると、

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

bothUnicodeと非Unicode記号の両方を取得します（完全な出力は here ）：

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

このクエリの何が問題になっていますか？

postgresqlutf-8regular-expressionunicoderegex
14
Suncatcher

あなたの質問に答えるには：[:ascii:]機能します。あなたはかもしれませんがテキストにnon-ASCIIとして認識できないいくつかの文字がありますが、まだそこにあります。たとえば、壊れないスペース、またはその他の nicodeスペース文字 のようになります。

分割できないスペース（ ）Webページからコピーアンドペーストしたテキストで、そこにあることに気付かない。

以下に例を示します。

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:]]' ;

あなたがもらったもの：

                                       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-е 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? Don’t 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]
 China’s marriage rate is plummeting because women are choosing autonomy over  | China[’]s marriage rate is plummeting because women are choosing autonomy over

これから、問題は 右アポストロフィ文字 であることがわかります。 ASCIIはアポストロフィのみをサポートします。左アポストロフィと右アポストロフィは、表記上の正しいUnicode拡張です。

dbfiddle ここ

以前のバージョンでも http://rextester.com/UKIQ48014 （PostgreSQL 9.5）および http://sqlfiddle.com/#!15/4c563/1/で確認できます。 （PostgreSQL 9.3）

あなたが思うテキストは純粋なASCIIであり、そうではありません：

 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 | 
 | ：------------------------------------------------- -------------------------- |聖死について聞いたことがありますか？彼女に祈ってはいけません。 | 
 |中国は女性が自治を選択しているため、結婚率が急落しています| 
 

dbfiddle ---（ここ

これらのテキストでは、 'ではなく’を使用してアポストロフィをマークしています。

チェック 句読点：なぜ正しい一重引用符（U + 2019）であり、意味的に異なるアポストロフィ（U + 0027）ではなく、Unicodeで推奨されるアポストロフィ文字ですか？ ...この問題に遭遇する最初の人ではありません。

26
joanolo