[英]Generate random UTF-8 string in Python
人們可能主要基於問題標題找到他們的方式,因此這里有一種生成包含各種Unicode字符的隨機字符串的方法。 要包含更多(或更少)可能的字符,只需使用所需的代碼點范圍擴展該部分示例。
import random
def get_random_unicode(length):
try:
get_char = unichr
except NameError:
get_char = chr
# Update this to include code point ranges to be sampled
include_ranges = [
( 0x0021, 0x0021 ),
( 0x0023, 0x0026 ),
( 0x0028, 0x007E ),
( 0x00A1, 0x00AC ),
( 0x00AE, 0x00FF ),
( 0x0100, 0x017F ),
( 0x0180, 0x024F ),
( 0x2C60, 0x2C7F ),
( 0x16A0, 0x16F0 ),
( 0x0370, 0x0377 ),
( 0x037A, 0x037E ),
( 0x0384, 0x038A ),
( 0x038C, 0x038C ),
]
alphabet = [
get_char(code_point) for current_range in include_ranges
for code_point in range(current_range[0], current_range[1] + 1)
]
return ''.join(random.choice(alphabet) for i in range(length))
if __name__ == '__main__':
print('A random string: ' + get_random_unicode(10))
您可以使用Markus Kuhn進行的UTF-8壓力測試 。
下面是一個示例函數,可能會創建一個隨機格式良好的UTF-8序列,如Unicode 5.0.0的表3-7中所定義:
#!/usr/bin/env python3.1
# From Table 3–7 of the Unicode Standard 5.0.0
import random
def byte_range(first, last):
return list(range(first, last+1))
first_values = byte_range(0x00, 0x7F) + byte_range(0xC2, 0xF4)
trailing_values = byte_range(0x80, 0xBF)
def random_utf8_seq():
first = random.choice(first_values)
if first <= 0x7F:
return bytes([first])
elif first <= 0xDF:
return bytes([first, random.choice(trailing_values)])
elif first == 0xE0:
return bytes([first, random.choice(byte_range(0xA0, 0xBF)), random.choice(trailing_values)])
elif first == 0xED:
return bytes([first, random.choice(byte_range(0x80, 0x9F)), random.choice(trailing_values)])
elif first <= 0xEF:
return bytes([first, random.choice(trailing_values), random.choice(trailing_values)])
elif first == 0xF0:
return bytes([first, random.choice(byte_range(0x90, 0xBF)), random.choice(trailing_values), random.choice(trailing_values)])
elif first <= 0xF3:
return bytes([first, random.choice(trailing_values), random.choice(trailing_values), random.choice(trailing_values)])
elif first == 0xF4:
return bytes([first, random.choice(byte_range(0x80, 0x8F)), random.choice(trailing_values), random.choice(trailing_values)])
print("".join(str(random_utf8_seq(), "utf8") for i in range(10)))
由於Unicode標准的廣泛性,我無法徹底測試。 另請注意,字符的分布不均勻(但序列中的每個字節都是)。
遵循打印任何可打印UTF-8字符的代碼:
print(''.join(tuple(chr(i) for i in range(32, 0x110000) if chr(i).isprintable())))
所有可打印字符都包含在上面,甚至包括那些當前字體不打印的字符。 可以添加子句and not chr(i).isspace()
來過濾掉空格字符。
這取決於您希望進行測試的程度以及您希望如何准確地進行測試。 完整地,Unicode是一個21位代碼集(U + 0000 .. U + 10FFFF)。 但是,該范圍的一些相當大的塊被留出用於自定義字符。 您是否想要擔心在字符串的開頭生成組合字符(因為它們應該僅出現在另一個字符之后)?
我采用的基本方法是隨機生成一個Unicode代碼點(比如U + 2397或U + 31232),在上下文中驗證它(它是一個合法的字符;它是否可以出現在字符串中)並編碼有效的代碼點UTF-8。
如果您只想檢查您的代碼是否正確處理格式錯誤的UTF-8,您可以使用更簡單的生成方案。
請注意,您需要知道在輸入時會發生什么 - 否則您不會測試; 你正在試驗。
由於Unicode只是一系列 - 井代碼,使用unichr()獲取對應於0到0xFFFF之間的隨機數的unicode字符串怎么樣?
(當然那只會給出一個代碼點,所以根據需要進行迭代)
您可以下載使用unicode編寫的希臘語或德語網站,並將其提供給您的代碼。
回答修改后的問題:
是的,根據對“控制字符”的嚴格定義 - 請注意,您不會包含CR,LF和TAB; 那是你要的嗎?
請考慮回復我之前的邀請,告訴我們您的確想要做什么。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.