Усечение строки до байтовой длины в Python

У меня есть функция здесь, чтобы усечь заданную строку до заданной длины байта:

LENGTH_BY_PREFIX = [
  (0xC0, 2), # first byte mask, total codepoint length
  (0xE0, 3), 
  (0xF0, 4),
  (0xF8, 5),
  (0xFC, 6),
]

def codepoint_length(first_byte):
    if first_byte < 128:
        return 1 # ASCII
    for mask, length in LENGTH_BY_PREFIX:
        if first_byte & mask == mask:
            return length
    assert False, 'Invalid byte %r' % first_byte

def cut_string_to_bytes_length(unicode_text, byte_limit):
    utf8_bytes = unicode_text.encode('UTF-8')
    cut_index = 0
    while cut_index < len(utf8_bytes):
        step = codepoint_length(ord(utf8_bytes[cut_index]))
        if cut_index + step > byte_limit:
            # can't go a whole codepoint further, time to cut
            return utf8_bytes[:cut_index]
        else:
            cut_index += step
    # length limit is longer than our bytes strung, so no cutting
    return utf8_bytes

Это, казалось, отлично работало, пока не был задан вопрос о Emoji:

string = u"\ud83d\ude14"
trunc = cut_string_to_bytes_length(string, 100)

Traceback (most recent call last):
  File "<console>", line 1, in <module>
  File "<console>", line 5, in cut_string_to_bytes_length
  File "<console>", line 7, in codepoint_length
AssertionError: Invalid byte 152

Кто-нибудь может объяснить, что здесь происходит, и каково возможное решение?

Изменить: У меня есть еще один фрагмент кода, который не генерирует исключение, но иногда имеет странное поведение:

import encodings
_incr_encoder = encodings.search_function('utf8').incrementalencoder()

def utf8_byte_truncate(text, max_bytes):
    """ truncate utf-8 text string to no more than max_bytes long """
    byte_len = 0
    _incr_encoder.reset()
    for index,ch in enumerate(text):
        byte_len += len(_incr_encoder.encode(ch))
        if byte_len > max_bytes:
            break
    else:
        return text
    return text[:index]

>>> string = u"\ud83d\ude14\ud83d\ude14\ud83d\ude14\ud83d\ude14\ud83d\ude14" 
>>> print string
(prints a set of 5 Apple Emoji...)😔😔😔😔😔
>>> len(string)
10
>>> trunc = utf8_byte_truncate(string, 4)
>>> print trunc
???
>>> len(trunc)
1

Итак, с этим вторым примером, у меня есть строка из 10 байтов, усекаем ее до 4, но происходит что-то странное, а результат - строка размером 1 байт.

Ответ 1

Если число f таково, что f & 0xF0 == 0xF0, то также имеет место, что f & 0xC0 == 0xC0, потому что 0xF0 имеет все биты, которые имеет 0xC0, а затем некоторые. То есть среди других проблем ваша функция codepoint_length() вернет шаг 2, когда ему будет 4. Если вы отмените список LENGTH_BY_PREFIX, функция будет работать в порядке с первым примером.

LENGTH_BY_PREFIX = [
  (0xFC, 6),
  (0xF8, 5),
  (0xF0, 4),
  (0xE0, 3), 
  (0xC0, 2), # first byte mask, total codepoint length
]

Ответ 2

Алгоритм ошибочен, так как указано @jwpat7. Более простой алгоритм:

# s = u'\ud83d\ude14\ud83d\ude14\ud83d\ude14\ud83d\ude14\ud83d\ude14'
# Same as above
s = u'\U0001f614' * 5   # Unicode character U+1F614

def utf8_lead_byte(b):
    '''A UTF-8 intermediate byte starts with the bits 10xxxxxx.'''
    return (ord(b) & 0xC0) != 0x80

def utf8_byte_truncate(text, max_bytes):
    '''If text[max_bytes] is not a lead byte, back up until a lead byte is
    found and truncate before that character.'''
    utf8 = text.encode('utf8')
    if len(utf8) <= max_bytes:
        return utf8
    i = max_bytes
    while i > 0 and not utf8_lead_byte(utf8[i]):
        i -= 1
    return utf8[:i]

# test for various max_bytes:
for m in range(len(s.encode('utf8'))+1):
    b = utf8_byte_truncate(s,m)
    print m,len(b),b.decode('utf8')

Выход

0 0 
1 0 
2 0 
3 0 
4 4 😔
5 4 😔
6 4 😔
7 4 😔
8 8 😔😔
9 8 😔😔
10 8 😔😔
11 8 😔😔
12 12 😔😔😔
13 12 😔😔😔
14 12 😔😔😔
15 12 😔😔😔
16 16 😔😔😔😔
17 16 😔😔😔😔
18 16 😔😔😔😔
19 16 😔😔😔😔
20 20 😔😔😔😔😔

Ответ 3

Версия кода Mark для Python 3:

@staticmethod
def utf8_lead_byte(b):
    """A UTF-8 intermediate byte starts with the bits 10xxxxxx."""
    return (b & 0xC0) != 0x80

@staticmethod
def utf8_byte_truncate(text, max_bytes):
    """If text[max_bytes] is not a lead byte, back up until a lead byte is
    found and truncate before that character."""
    utf8 = text.encode('utf-8')
    if len(utf8) <= max_bytes:
        return text
    i = max_bytes
    while i > 0 and not utf8_lead_byte("".join(map(chr, [utf8[i]]))):
        i -= 1
    return utf8[:i].decode('utf-8')

Примечания:

  • utf8[i] возвращает байт, но ord() ожидает строковый аргумент. (См. fooobar.com/info/11686/...)
  • возвращаемое значение utf8_byte_truncate возвращается к строке перед возвратом в исходный входной аргумент (text).