Casos extremos horríveis a considerar ao lidar com música (2022)

• Com base em casos compilados a partir do código-fonte e do modelo de dados do Navidrome, metadados de música têm muitas exceções difíceis de normalizar mesmo quando se trata apenas de título, artista, álbum, capa e lançamento
• Nomes como †, ★, ', (), <|°_°|>, barras, espaços, emojis, fórmulas e a string de teste EICAR entram facilmente em conflito com nomes de arquivo, busca, ordenação e ferramentas de segurança
• Álbuns sem título, múltiplas capas, vários álbuns com o mesmo título, faixas de 7 horas, 13 horas e 4723 horas, e um EP em que a maioria das 99 faixas são 4 segundos de silêncio quebram suposições simples sobre a duração e a estrutura das unidades musicais
• Vários pseudônimos da mesma pessoa, mudanças de nome de banda, diferenças de nome por região, várias bandas com o mesmo nome e nomes internacionalizados que se sobrepõem tornam difícil identificar um artista por uma única string
• O motivo de esquemas de bancos de dados como o MusicBrainz separarem álbum, lançamento, artista, pseudônimos e faixas de forma detalhada é que essas exceções precisam ser tratadas na prática

---

Premissas básicas que títulos e nomes quebram

• Em metadados musicais, nomes de álbuns podem parecer criativos para pessoas, mas para sistemas viram um problema de tratamento de caracteres especiais
  • †, do Justice
  • ★, de David Bowie
  • ', de Frank Zappa
  • (), do Sigur Rós
  • Love Symbol, de Prince; em 1993, Prince também mudou seu nome artístico para esse símbolo e passou a ser chamado de “The Artist Formerly Known as Prince”
  • <|°_°|>, do Caravan Palace
• Sistemas operacionais e sistemas de arquivos também são abalados por nomes
  • O esquema de nomes de álbuns do MASTER BOOT RECORD pode causar problemas tanto no Windows quanto no Linux
  • Em ambientes Linux, nomes como ///////-//-/////, do The You Suck Flying Circus, chamam especialmente a atenção
  • C:/del*mp3, de Marco.V, é um título que parece um caminho de arquivo
  • Another Round Won't Get Us Down, do Auto!Automatic!!, tem uma faixa chamada \\\\\ e outra chamada //////////
• Busca e ordenação também não são simples
  • Artistas do gênero vaporwave às vezes inserem espaços entre as letras, como em A T R I U M, de Hallmark '87
  • Laughing Mantis lançou uma música com o mesmo nome da string de arquivo de teste EICAR: X5O!P%@AP[4\PZX54(P^)7CC)7}$EICAR-STANDARD-ANTIVIRUS-TEST-FILE!$H+H*

Sem título, títulos confusos e títulos longos

• Álbuns podem não ter título
  • O álbum mais recente do Rammstein
  • O quarto álbum do Led Zeppelin
  • O oitavo álbum do KoЯn
• Também há muitos nomes de álbuns que parecem não ter título ou são confusos
  • (untitled), do The Byrds
  • untitled, de R Kelly
  • untilted, do Autechre
  • Self-Titled Long-Playing Debut Album, do +/-
  • O lado A do single em vinil de 7 polegadas do Tintern Abbey é Beeside
  • Weezer lançou vários álbuns intitulados Weezer, inclusive dois no mesmo ano
  • Ø (Disambiguation), do Underoath, cria confusão com a página de desambiguação de Ø na Wikipedia
  • Title, de Meghan Trainor
• Títulos de álbuns muito longos pressionam UI, busca e áreas de exibição
  • O longo nome de álbum de Eximperituserqethhzebibšiptugakkathšulweliarzaxułum, Prajecyrujučy Sinhuliarnaje Wypramieńwańnie...
  • When the Pawn..., de Fiona Apple
  • Music to Listen to~Dance to~Blaze to..., do Bring Me the Horizon

Capas, número de faixas, duração e versões de lançamento

• Alguns álbuns têm várias capas, então a premissa “um álbum = uma capa” não se sustenta
  • Synchronicity, do The Police, tem 36 variações de capa
  • Fate for Breakfast, de Art Garfunkel, teve 6 capas, mas fracassou comercialmente nos EUA, então a maioria viu apenas uma delas
  • Do It Yourself, de Ian Dury & The Blockheads, teve pelo menos 34 capas externas
• A própria imagem da capa também pode gerar controvérsia ou versões censuradas
  • Virgin Killer, do Scorpions
  • No Image, do GGGOLDDD
  • There Will Be No Intermission, de Amanda Palmer, usou uma foto de nudez total, levando à criação de uma versão censurada
  • Unfinished Music No. 1: Two Virgins, de John Lennon & Yoko Ono
• Faixas podem não ter título ou ter nomes que por si só causam confusão
  • Selected Ambient Works Volume II, de Aphex Twin
  • Yantra Material Action, de Mezbrow
  • EP7, do Autechre, tem uma faixa sem título no pregap, e uma das faixas comuns se chama “Left Blank”
• Há casos extremos de duração e composição de faixas
  • “Doom Apocalypse X, The Ultimate Fate Of The Universe (Part IX: The Photon Era)”, de NǽnøĉÿbbŒrğ VbëřřĦōlökäävsŦ, tem quase 7 horas, e o álbum inteiro “The Ultimate Fate Of The Universe” fica um pouco abaixo de 23 horas
  • The Rise and Fall of Bossanova, do Pipe Choir Three, divide uma música de 13 horas em 5 partes
  • 209: Blurred With Tears And Suffering Beyond Hope, do Bull of Heaven, inclui uma faixa de 4723 horas, 54 minutos e 37 segundos
  • Broken, do Nine Inch Nails, tem 99 faixas, e da faixa 7 à 97 cada uma tem 4 segundos de silêncio
• A maioria dos álbuns tem várias versões ou lançamentos
  • The Eminem Show tem 15 versões
  • All Lights Fucked on the Hairy Amp Drooling tem 27 faixas na fita cassete de 1994, 4 faixas na reedição de 2022 e 31 faixas no bootleg
  • God Speed You Black Emperor! mudou de nome para “Godspeed You! Black Emperor” em 2002
  • Antares, do Sybreed, tem números de faixas e uma 11ª faixa diferentes nas edições japonesa, americana, russa, promocional suíça e promocional europeia
  • O single Close-Up, do Art of Noise, teve 4 edições britânicas com o mesmo número de catálogo e a mesma capa externa, mas com faixas diferentes, e uma delas nem tinha a faixa “Close-Up”
  • Taylor Swift regravou seus álbuns para recuperar a propriedade plena de sua música
• Questões de licenciamento também geram diferenças entre lançamentos
  • MM..FOOD, de MF DOOM, saiu em 2004, e por causa de samples não resolvidos de Sesame Street teve uma versão regravada em 2007

Quando fica difícil identificar artistas

• Uma única faixa pode ter um número enorme de artistas associados
  • “119 REMIX”, de GRAY, tem 119 artistas participantes, como sugere o título
• Bandas podem mudar de nome ou usar nomes diferentes por região
  • GZR aparece como g//z/r no primeiro álbum, geezer no segundo e GZR no terceiro
  • Ghost ficou conhecida por um tempo como Ghost B.C. apenas nos EUA
  • Suede é conhecida nos EUA como “The London Suede”
  • Zoviet France tem grafias como :$OVIET:FRANCE:, Soviet France, :Zoviet-France: e :zoviet*france:
  • Invent, Animate mudou o nome para “Invent, Animate” para não ser confundida com dois artistas
• Alguns artistas usam vários nomes
  • Aphex Twin tem vários pseudônimos, incluindo Blue Calx, Caustic Window, Brian Tregaskin, The Dice Man, Polygon Window, Power-Pill, Richard D. James, GAK, The Tuss e user48736353001
  • Filipe Santos também é citado como exemplo de múltiplos nomes
• O próprio nome da banda quebra regras de busca e ordenação
  • The The
  • “The”, de Jad and The
  • The Band
  • Artist Unknown e Unknown Artist
  • !!!
  • A
  • Há 8 bandas chamadas Live e 12 bandas chamadas LP
• Bandas diferentes podem usar o mesmo nome
  • “Emperor” pode se referir a uma banda norueguesa de black metal, um produtor de drum and bass, um artista de trance, uma banda japonesa de metal, um artista fictício de hip-hop que é um pinguim do universo de Arknights, entre outros
  • Havamal pode se referir a uma banda de Viking metal e também a outra banda de Viking metal
  • Bulldog Breed pode se referir a duas bandas britânicas, e ambas lançaram um álbum chamado “Made in England”
  • Avishai Cohen se refere a dois músicos de jazz israelenses
  • Nomes “legais” comuns como Revolver, Peace, Hybrid e End têm muitas duplicatas
• Internacionalização também dificulta ainda mais a identificação
  • Пётр Ильич Чайковский, isto é, Tchaikovsky, tem 31 nomes no MusicBrainz

Codificação de caracteres, sistemas operacionais e modelo de dados

• Alguns artistas e álbuns testam o suporte a UTF-8 e o tratamento por sistemas operacionais
  • ･ ･－･ ･－ ･･･ ･ －･･ tem muitos singles com nomes parecidos em código Morse
  • Spın̈al Tap usa i sem ponto e metal umlaut
  • ⣎⡇ꉺლ༽இ•̛)ྀ◞ ༎ຶ ༽ৣৢ؞ৢ؞ؖ ꉺლ, do Four Tet, parece ter caracteres escorrendo pela página da Wikipedia, e também usa o nome 00110100 01010100; em ASCII, isso é “4T”
  • KEYGEN CHURCH lançou álbuns chamados “░█░█░░█░█░█░” e “░ ▒ ▓ █”
  • A língua artificial kobaïan, do Magma, inclui diacríticos personalizados que não existem em UTF-8
  • Aphex Twin tem uma faixa chamada ∆Mᵢ⁻¹=−α ∑ Dᵢ[η][ ∑ Fjᵢ[η−1]+Fextᵢ [η⁻¹]]
  • Music of the Spheres, do Coldplay, usa emojis na maioria dos títulos das faixas
  • Ed Sheeran lançou álbuns chamados -, =, ÷, x e +
• “Música clássica” também é apresentada como uma área problemática à parte
• Um dos casos favoritos é brouillard
  • O nome da banda é brouillard, o único integrante também é brouillard, e todos os álbuns e todas as faixas também são brouillard
• Uma forma de ter um vislumbre de como lidar com essa confusão é olhar o esquema do banco de dados do MusicBrainz

[kunggom]

Este texto já foi publicado anteriormente no GeekNews.
https://pt.news.hada.io/topic?id=6319

[GN⁺]

Opiniões no Hacker News

• Lembro de quando vendi o "Kill 'Em All", do Metallica, para uma loja de CDs usados e depois comprei de novo o mesmo "Kill 'Em All"; o atendente ficou bem confuso
  Algumas edições incluem mais duas faixas cover, Am I Evil e Blitzkrieg, e isso fica ainda mais confuso porque os dois CDs têm o mesmo número de identificação
  Ele naturalmente perguntou por que eu estava comprando de volta o CD que tinha acabado de vender, e, quando mostrei, ficou de queixo caído, dizendo que nunca tinha visto um caso desses

• The The, so much for skipping articles like "A" or "The" I guess.

  Antigamente havia uma imagem de meme de uma busca no Google por "The Who", em que acima dos resultados aparecia "'The' foi removido dos termos de busca por ser uma palavra comum" / "'Who' foi removido dos termos de busca por ser uma palavra comum"

  • Um dos softwares de fórum comuns, por padrão, ignorava ou bloqueava todos os termos de busca com 3 caracteres ou menos
    Em fóruns técnicos, onde se usam muitas siglas, é uma configuração incrivelmente irritante
  • Nomes de bandas que quebram a Siri são um problema real na minha vida
    Them, estou falando de vocês O_o
  • No começo e em meados dos anos 2000, fiz bastante trabalho com o famoso software estatístico R
    Na época, para encontrar no Google como fazer algo em R, era preciso ter macetes bem específicos, como saber onde ficavam os arquivos das listas de discussão e restringir a busca àquele domínio
    Mais tarde, quando o Google começou a usar bastante R internamente, esse problema desapareceu de repente

• O fato de Taylor Swift ter regravado e relançado todas as suas músicas antigas também é um caso bastante famoso
  Se alguém pedir à Alexa para tocar "Love Story", ela deveria tocar a versão que rende mais royalties para a Taylor, ou a versão que rende mais para alguma editora musical?
  Ao ranquear a popularidade de uma música, provavelmente não se deve tratar as várias versões como faixas diferentes

  • Às vezes a mesma música aparece duas vezes nas listas de faixas mais tocadas dos serviços de streaming
    Isso acontece porque existem tanto a versão single quanto a versão do álbum

• Relacionado: https://github.com/minimaxir/big-list-of-naughty-strings
  A Big List of Naughty Strings é uma lista de strings com alta probabilidade de causar problemas quando usadas como dados de entrada de usuários

  • Um texto relacionado e engraçado: https://www.sempf.net/post/On-Testing1
  • Também deveriam acrescentar a essa lista strings comuns de injeção em LLM
  • Depois de décadas trabalhando como administrador de sistemas, posso garantir que a maioria dos programadores nunca viu essa lista e nunca vai ver :|

• Parece que esqueceram de uma banda chamada simplesmente A
  Essa banda lançou uma música chamada “nothing” https://en.wikipedia.org/wiki/Nothing_(A_song)
  Lembro de ter sofrido para encontrar os álbuns deles na Amazon antigamente, e até hoje não parece muito mais fácil

  • Ou há também o álbum A, do Jethro Tull, do começo dos anos 80
  • Eu gostava muito desse álbum quando saiu
    Mas era realmente impossível de pesquisar, então acabei tendo que comprar o CD

• Some tracks are long

  Imagino que estejam falando só de faixas gravadas, mas 13 horas é número de iniciante[0]
  [0] https://en.wikipedia.org/wiki/As_Slow_as_Possible#Halberstad...

  • Entre as faixas gravadas, há uma de 4.700 horas
    https://www.discogs.com/release/3580802-Bull-Of-Heaven-209-B...
    Também existe uma faixa de 5,5 anos, mas só parte dela foi disponibilizada
    https://www.discogs.com/release/3580806-Bull-Of-Heaven-210-L...
    Mesmo assim, são cerca de 13.000 horas
  • Há uma peça curta para piano[1] cuja instrução original do compositor era repeti-la mais de mil vezes[2], então uma execução real passa de 24 horas
    Por isso, naturalmente, ela quase nunca é tocada
    Também há coisas como As Slow as Possible, de John Cage, com uma apresentação ainda em andamento
    Ela começou em 2001 e termina em 2640, então talvez seja melhor correr se quiser ver o final
    [1] Provavelmente é uma peça de Ravel, mas minha memória e uma busca rápida não estão batendo agora
    [2] Acho que era um número especial que soava meio arbitrário, algo como 2347
  • Talvez não seja exatamente disso que se esteja falando, mas títulos também podem ser muito longos
    Vem à mente "The Black Hawk War, or, How to Demolish an Entire Civilization and Still Feel Good About Yourself in the Morning, or, We Apologize for the Inconvenience but You're Going to Have to Leave Now, or, 'I Have Fought the Big Knives and Will Continue to Fight Them Until They Are Off Our Lands!'", de Sufjan Stevens
    Foi a música que me ensinou, quando eu era um script kiddie novato, o limite de 255 caracteres para o caminho completo no FAT32

• C:\del.mp3*, do Marco V, também merece uma menção especial
  https://www.discogs.com/release/133498-MarcoV-Cdelmp3-Solari...

  • É praticamente o Bobby Tables da música

• Desde que comecei a ouvir a música de emma essex, percebi como, mesmo nos tempos atuais, o tratamento de Unicode ainda é implementado só pela metade
  Alguns dos meus exemplos favoritos são “⎆”, de "HHSU 𓃚 𝕮𝖆𝖒𝖇𝖎𝖚𝖒, 𝕏𝕪𝕝𝕖𝕞, 𝓗𝓮𝓪𝓻𝓽𝔀𝓸𝓸𝓭", do álbum "𝅙𝅙" (U+1D159), “♫♫♩♫‿♩ but it's 怒首領蜂 大往生”, “ｒｔｒｃ{（''»''）²２}：≞（''»''０１）；” e outros

  • Parece que o Apple Music odeia tanto a faixa “⎆” que, na minha conta, ela simplesmente desapareceu por completo do álbum
  • Ao ver isso, fui procurar uma ferramenta de linha de comando que transformasse UTF-8 em pontos de código Unicode e descobri que era uconv -x hex/unicode
    O primeiro exemplo parece ser composto, em sua maior parte, por símbolos alfanuméricos matemáticos
    https://en.wikipedia.org/wiki/Mathematical_Alphanumeric_Symb...
    Fico me perguntando se alguém já tentou usar caracteres da Área de Uso Privado do Unicode
    Poderia gerar resultados interessantes
  • Imagino que o HN tenha apagado alguns dos caracteres

• GZR, also known as g//z/r on their first album, geezer on their second, and GZR on their third.

  Eles mudaram o nome da banda a cada álbum; teria sido impressionante se os três álbuns tivessem exatamente o mesmo título

  • Se existisse algo como album_grouping_key ou musicbrainz_albumid, isso poderia ter sido resolvido há 20 anos
    “Horrível”
  • Esse tipo de caso-limite de mudança de nome de banda se resolve atribuindo IDs às entidades dentro do dataset para separá-las
    A essa altura, nem sei se isso ainda deveria ser chamado de caso-limite

• Untilted, do Autechre, é meu exemplo favorito de título de álbum deliberadamente confuso
  Como o texto também menciona, quando renderizado em letras pequenas, não fica evidente, mesmo olhando para o título, que ele não é "Untitled"

  • Juro que ouvi por anos e só recentemente percebi que o nome do álbum não era "untitled"
    Mandou bem, Ae!