如何验证UTF-8字符串是否包含错误编码的字符

Question

在大型数据集中,我有一些看起来像这样的数据:

"guide (but, yeah, it’s okay to share it with ‘em)."

我已经在十六进制编辑器中打开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,并且它被正面检测为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/算法可以帮助我进行验证？

Answer 1

一旦你有了字符串就不能这样做,你必须在你仍然有原始输入时这样做.一旦你有了字符串,就没有办法在’没有一些严重脆弱的测试的情况下自动判断是否真的是意图输入.例如:

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, it’s okay to share it with ‘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,则可以看到字节数组是否相当于完全有效的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与流一起使用,默认情况下,只要它在给定编码中看到无效字节,就会抛出异常.