Java解码双编码utf-8字符

Question

我正在解析一个websocket消息，并且由于在特定的socket.io版本中发生了一个错误（不幸的是，我无法控制服务器端），因此某些有效载荷被双重编码为​​utf-8：

正确的值应该是Wroc？awskiej（请注意L字母是带有笔画的拉丁文小写字母L），但实际上我又返回了WrocÅawskiej。

我已经尝试过使用Java再次对其进行解码/编码

String str = new String(wrongEncoded.getBytes(StandardCharsets.UTF_8), StandardCharsets.UTF_8);

不幸的是，字符串保持不变。关于如何在Java中执行双重解码的任何想法？我看到了一个python版本，他们raw_unicode先将其转换为原始版本，然后再次对其进行解析，但是我不知道这种方法是否有效，或者是否存在类似的Java解决方案。我已经阅读了有关该主题的几篇文章，但没有任何帮助。

编辑：为了澄清在提琴手，我收到上述提到的单词以下字节序列：

WrocÃÂawskiej

byte[] arrOutput = { 0x57, 0x72, 0x6F, 0x63, 0xC3, 0x85, 0xC2, 0x82, 0x61, 0x77, 0x73, 0x6B, 0x69, 0x65, 0x6A };

Answer 1

您的文本已编码为UTF-8，然后将这些字节解释为ISO-8859-1并重新编码为UTF-8。

Wroc?awskiej是unicode：0057 0072 006f 0063 0142 0061 0077 0073 006b 0069 0065 006a
编码为UTF-8是：57 72 6f 63 c5 82 61 77 73 6b 69 65 6a

在ISO-8859-1，c5是Å和82是不确定的。
按照ISO-8859-1，这些字节是：WrocÅawskiej
编码为UTF-8：57 72 6f 63 c3 85 c2 82 61 77 73 6b 69 65 6a
这些可能是您正在接收的字节。

因此，要撤消该操作，您需要：

String s = new String(bytes, StandardCharsets.UTF_8);

// fix "double encoding"
s = new String(s.getBytes(StandardCharsets.ISO_8859_1), StandardCharsets.UTF_8);