如何验证 UTF-8 字符串是否包含编码错误的字符

java utf-8 character-encoding

2022-09-02 12:23:32

在大型数据集中，我有一些数据如下所示：

"guide (but, yeah, itâ€™s okay to share it with â€˜em)."

我已经在十六进制编辑器中打开了该文件，并通过字符编码检测算法（http://code.google.com/p/juniversalchardet/）运行原始字节数据，它被肯定检测为UTF-8。

在我看来，数据源错误地解释了原始字符集，并将有效的UTF-8编写为我收到的输出。

我想尽我所能验证数据。是否有任何启发式/算法可以帮助我尝试验证？

答案 1

一旦你有了字符串，你就不能这样做，你必须在你仍然有原始输入的时候这样做。一旦你有了字符串，就没有办法自动判断是否实际上是预期的输入，而没有一些非常脆弱的测试。例如：â€™

public static boolean isUTF8MisInterpreted( String input ) {
          //convenience overload for the most common UTF-8 misinterpretation
          //which is also the case in your question
      return isUTF8MisInterpreted( input, "Windows-1252");  
}

public static boolean isUTF8MisInterpreted( String input, String encoding) {

    CharsetDecoder decoder = Charset.forName("UTF-8").newDecoder();
    CharsetEncoder encoder = Charset.forName(encoding).newEncoder();
    ByteBuffer tmp;
    try {
        tmp = encoder.encode(CharBuffer.wrap(input));
    }

    catch(CharacterCodingException e) {
        return false;
    }

    try {
        decoder.decode(tmp);
        return true;
    }
    catch(CharacterCodingException e){
        return false;
    }       
}

public static void main(String args[]) {
    String test = "guide (but, yeah, itâ€™s okay to share it with â€˜em).";
    String test2 = "guide (but, yeah, it’s okay to share it with ‘em).";
    System.out.println( isUTF8MisInterpreted(test)); //true
    System.out.println( isUTF8MisInterpreted(test2)); //false

}

如果您仍然可以访问原始输入，则可以通过以下方式查看字节数组是否等于完全有效的utf-8字节序列：

public static boolean isValidUTF8( byte[] input ) {

    CharsetDecoder cs = Charset.forName("UTF-8").newDecoder();

    try {
        cs.decode(ByteBuffer.wrap(input));
        return true;
    }
    catch(CharacterCodingException e){
        return false;
    }       
}

您还可以将CharsetDecoder用于流，默认情况下，一旦它在给定编码中看到无效字节，它就会引发异常。

答案 2

如果您使用的是HTML5，那么只需在内部添加<meta charset="UTF-8"><head>

对于 HTML4<meta http-equiv="Content-type" content="text/html;charset=UTF-8">