Python字符串splitlines（）刪除某些Unicode控制字符

Question

我注意到Python的標准字符串方法splitlines（）實際上也刪除了一些關鍵的Unicode控制字符。 例

>>> s1 = u'asdf \n fdsa \x1d asdf'
>>> s1.splitlines()
[u'asdf ', u' fdsa ', u' asdf']

注意“\\ x1d”字符是如何悄然消失的。

如果字符串s1仍然是Python字節串（沒有“u”前綴），則不會發生這種情況：

>>> s2 = 'asdf \n fdsa \x1d asdf'
>>> s2.splitlines()
['asdf ', ' fdsa \x1d asdf']

我在參考https://docs.python.org/2.7/library/stdtypes.html#str.splitlines中找不到任何相關信息。

為什么會這樣？ 除“\\ x1d”（或unichr（29））之外的其他字符會受到什么影響？

我在Ubuntu 12.04 LTS上使用Python 2.7.3。

Answer 1

這確實沒有記錄; 我不得不仔細挖掘源代碼才能找到它。

unicodetype_db.h文件將換行符定義為：

case 0x000A:
case 0x000B:
case 0x000C:
case 0x000D:
case 0x001C:
case 0x001D:
case 0x001E:
case 0x0085:
case 0x2028:
case 0x2029:

這些是從Unicode數據庫生成的 ; Unicode標准中列出的任何代碼點， Line_Break屬性設置為BK ， CR ， LF或NL或雙向類別設置為B （段落Line_Break ）被視為換行符。

從Unicode數據文件中，標准的第6版將U + 001D列為段落：

001D;<control>;Cc;0;B;;;;;N;INFORMATION SEPARATOR THREE;;;;

（第5列是雙向類別）。

如果要限制要拆分的字符，可以使用正則表達式：

import re

linebreaks = re.compile(ur'[\n-\r\x85\u2028\u2929]')
linebreaks.split(yourtext)

除了 U + 001C，U + 001D或U + 001E代碼點之外 ，會將文本拆分為同一組換行符，因此三個數據結構控制字符 。