如何在Java中替换/删除UTF-8字符串中的4（+）字节字符？

java mysql utf-8

2022-09-02 10:08:43

由于MySQL 5.1不支持4字节UTF-8序列，因此我需要替换/删除这些字符串中的4字节序列。

我正在寻找一种干净的方式来替换这些字符。

Apache库正在用问号替换字符，这对于这种情况来说很好，尽管ASCII等效物当然会更好。

注意：贝输入来自外部源（电子邮件名称），此时升级数据库不是解决方案。

答案 1

我们最终在Java中实现了以下方法来解决这个问题。基本上，用更高的码位替换字符，然后是最后一个3字节的UTF-8字符。

偏移量计算是为了确保我们保持在 unicode 码位上。

public static final String LAST_3_BYTE_UTF_CHAR = "\uFFFF";
public static final String REPLACEMENT_CHAR = "\uFFFD"; 

public static String toValid3ByteUTF8String(String s)  {
    final int length = s.length();
    StringBuilder b = new StringBuilder(length);
    for (int offset = 0; offset < length; ) {
       final int codepoint = s.codePointAt(offset);

       // do something with the codepoint
       if (codepoint > CharUtils.LAST_3_BYTE_UTF_CHAR.codePointAt(0)) {
           b.append(CharUtils.REPLACEMENT_CHAR);
       } else {
           if (Character.isValidCodePoint(codepoint)) {
               b.appendCodePoint(codepoint);
           } else {
               b.append(CharUtils.REPLACEMENT_CHAR);
           }
       }
       offset += Character.charCount(codepoint);
    }
    return b.toString();
}

答案 2

另一个简单的解决方案是使用正则表达式。例如在java中：[^\u0000-\uFFFF]

text.replaceAll("[^\\u0000-\\uFFFF]", "\uFFFD");