Question

在大型数据集中，我有一些看起来像这样的数据：

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

我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，你必须在你还有原始输入时这样做。一旦你有了字符串，就没有办法自动判断â€™是否真的是意图输入而没有一些严重脆弱的测试。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, 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

}

如果你仍然可以访问原始输入，你可以看到一个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;
    }       
}

您也可以将CharsetDecoder与流一起使用，默认情况下，只要它在给定的编码中看到无效字节就会抛出异常。

Answer 2

如果您使用的是HTML5，则只需添加 <meta charset="UTF-8">

中的<head>

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

如何验证UTF-8字符串是否包含错误编码的字符

2 个答案: