Da jeg havde et problem som dette, brugte jeg Perl-script til at sikre, at data konverteres til gyldig UTF-8 ved at bruge kode som denne:
use Encode;
binmode(STDOUT, ":utf8");
while (<>) {
print Encode::decode('UTF-8', $_);
}
Dette script tager (muligvis beskadiget) UTF-8 på stdin
og genudskriver gyldig UTF-8 til stdout
. Ugyldige tegn erstattes med �
(U+FFFD
, Unicode-erstatningstegn
).
Hvis du kører dette script på god UTF-8 input, skal output være identisk med input.
Hvis du har data i databasen, giver det mening at bruge DBI til at scanne dine tabeller og skrubbe alle data ved hjælp af denne tilgang for at sikre, at alt er gyldigt UTF-8.
Dette er Perl one-liner version af det samme script:
perl -MEncode -e "binmode STDOUT,':utf8';while(<>){print Encode::decode 'UTF-8',\$_}" < bad.txt > good.txt
EDIT:Tilføjet Java-only-løsning .
Dette er et eksempel på, hvordan man gør dette i Java:
import java.nio.ByteBuffer;
import java.nio.CharBuffer;
import java.nio.charset.CharacterCodingException;
import java.nio.charset.Charset;
import java.nio.charset.CharsetDecoder;
import java.nio.charset.CodingErrorAction;
public class UtfFix {
public static void main(String[] args) throws InterruptedException, CharacterCodingException {
CharsetDecoder decoder = Charset.forName("UTF-8").newDecoder();
decoder.onMalformedInput(CodingErrorAction.REPLACE);
decoder.onUnmappableCharacter(CodingErrorAction.REPLACE);
ByteBuffer bb = ByteBuffer.wrap(new byte[] {
(byte) 0xD0, (byte) 0x9F, // 'П'
(byte) 0xD1, (byte) 0x80, // 'р'
(byte) 0xD0, // corrupted UTF-8, was 'и'
(byte) 0xD0, (byte) 0xB2, // 'в'
(byte) 0xD0, (byte) 0xB5, // 'е'
(byte) 0xD1, (byte) 0x82 // 'т'
});
CharBuffer parsed = decoder.decode(bb);
System.out.println(parsed);
// this prints: Пр?вет
}
}