PostgreSQL, Greenplum ETL 之 - 非法字符(如0x00)过滤、转换(blob2text, bytea2text)

1 minute read

背景

如果输入的数据不合法,那么PostgreSQL数据库会报错,不允许写入。

postgres=# select E'\000';  
ERROR:  invalid byte sequence for encoding "UTF8": 0x00  
LOCATION:  report_invalid_encoding, wchar.c:2017  

报错代码为wchar.c的report_invalid_encoding函数。

实际上这个问题在很多文章中有分析过:

《PostgreSQL WHY ERROR: invalid byte sequence for encoding “UTF8”》

《PostgreSQL 转义、UNICODE、与SQL注入》

《PostgreSQL 和 Greenplum pgcrypto 加解密bytea处理差异》

最好的解决办法是客户端在写入前检查输入字符的合法性,过滤不合法的字符。例如:

https://www.bbsmax.com/A/kjdwxDy6zN/

http://www.codeweblog.com/sqlserve%E5%88%B0pg%E8%BF%81%E7%A7%BB%E9%94%99%E8%AF%AF-%E6%97%A0%E6%95%88%E7%9A%84%E7%BC%96%E7%A0%81%E5%BA%8F%E5%88%97-utf8-0x00/

在数据库中,有没有方法实现ETL中数据清洗的部分呢?

对于不合法的字符,我们可以使用二进制写入,然后在二进制中过滤不合法字符并转化为字符串。

PostgreSQL 不合法字符清洗

输入为bytea,过滤非法字符,转换为字符串。

1、创建转换函数,将NUL字符转换为空格。

set escape_string_warning=on;  
set standard_conforming_strings=on;  
  
create or replace function blob2text (bytea) returns text as $$  
declare  
  i int;  
  val bytea := $1;  
  res text;  
  sql text;  
  encoding name ;  
begin  
      set escape_string_warning=on;  
      set standard_conforming_strings=on;  
  
      select getdatabaseencoding() into encoding;  
      i := position(bytea '\000' in val);  
      WHILE i > 0 LOOP  
        val := set_byte(val, i-1, 32);  
        i := position(bytea '\000' in val);  
      END LOOP;  
        
      sql := format('select convert_from(encode(%L,''escape'')::bytea, %L)', val, encoding) ;  
      -- raise notice '%', sql;  
      execute sql into res;  
      return res;  
end;  
$$ language plpgsql strict;  

2、测试转换函数,符合要求

postgres=# select blob2text(bytea '你好\000哈哈\000hello');  
NOTICE:  select convert_from(encode(E'\\xc4e3bac320b9feb9fe','escape')::bytea, 'EUC_CN')  
 blob2text   
-----------  
 你好 哈哈  
(1 row)  

Greenplum 不合法字符清洗

输入为bytea,过滤非法字符,转换为字符串。

1、创建转换函数,将NUL字符转换为空格。

set escape_string_warning=on;  
set standard_conforming_strings=on;  
  
create or replace function blob2text (bytea) returns text as $$  
declare  
  i int;  
  val bytea := $1;  
  res text;  
  sql text;  
  encoding bytea ;  
begin  
      set escape_string_warning=on;  
      set standard_conforming_strings=on;  
      select getdatabaseencoding() into encoding;  
  
      i := position(bytea '\000' in val);  
      WHILE i > 0 LOOP  
        val := set_byte(val, i-1, 32);  
        i := position(bytea '\000' in val);  
      END LOOP;  
      sql := $_$select convert(E'$_$||val||$_$', '$_$||encoding||$_$', '$_$||encoding||$_$')$_$;  
      -- raise notice '%', sql;  
      execute sql into res;  
      return res;  
end;  
$$ language plpgsql strict;  

2、测试转换函数,符合要求

postgres=# select blob2text(bytea '你好\000哈哈\000hello');  
NOTICE:  select convert(E'\344\275\240\345\245\275 \345\223\210\345\223\210 hello', 'UTF8', 'UTF8')  
      blob2text        
---------------------  
 你好 哈哈 hello  
(1 row)  

使用规则,自动清洗不合法字符

《数据入库实时转换 - trigger , rule》

1、创建入口表test,创建目标表dest_test。用户将数据写入test,自动进行清洗,并写入目标表。

create table test (id int, info bytea);  
create table dest_test (id int, info text);  
  
  
-- 在入口表创建清洗规则  
create rule r1 as on insert to test do instead insert into dest_test(id, info) values (NEW.id, blob2text(NEW.info));  

2、测试,转换正常,非法字符转换为合法字符,可以写入了。

insert into test values (1, '你好\000哈哈\000hello');  
  
  
db=# select * from test;  
 id | info   
----+------  
(0 rows)  
  
  
db=# select * from dest_test;  
 id |      info         
----+-----------------  
  1 | 你好 哈哈 hello  
(1 row)  

小结

对于非法字符,建议在应用层进行过滤,在数据库中转换,影响写入速度,同时会使得数据库的开销变大。实在是万不得已的行为。

参考

《数据入库实时转换 - trigger , rule》

《PostgreSQL WHY ERROR: invalid byte sequence for encoding “UTF8”》

《PostgreSQL 转义、UNICODE、与SQL注入》

《PostgreSQL 和 Greenplum pgcrypto 加解密bytea处理差异》

https://www.bbsmax.com/A/kjdwxDy6zN/

http://www.codeweblog.com/sqlserve%E5%88%B0pg%E8%BF%81%E7%A7%BB%E9%94%99%E8%AF%AF-%E6%97%A0%E6%95%88%E7%9A%84%E7%BC%96%E7%A0%81%E5%BA%8F%E5%88%97-utf8-0x00/

如果是从ORACLE迁移过来,可以使用Oracle的empty_clob()处理一下0x00字符。

Flag Counter

digoal’s 大量PostgreSQL文章入口