Question

我正在处理外部网络服务，该服务错误地编码（和/或损坏）字符串（UTF-8），这些字符串最有可能是ISO LATIN或WINDOWS-1252，但现在UTF-8（和/或ISO / WINDOWS / UTF-8的混合）。可爱的帽子（Â）比比皆是。

我显然无法修复外部Web服务如何存储其字符串以便丢失信息。因此，我所知道的100％翻译的希望是不可能的。

但我希望有人用Java编写了一个启发式字符映射库（不太可能有人会输入A帽子）。

如果不是，我想我可以移植这些人PHP代码：https://stackoverflow.com/a/3521340/318174

更新和说明：像@VGR这样的简单转换将无效。我没有原始字节。数据在端点处转换不正确（SOAP服务器可能getBytes(/*with out correct encoding*/)已完成，或者数据可能以不正确的格式存储）。当您将字节转换为Java中的字符串时，除非编码在任何地方都相同，否则不会保留数据。如果你想到像ASCII＆lt; - ＆gt;这样的东西，这很容易理解。 UTF-8。 Windows-1252或ISO Latin更加复杂，因为数据不会丢失，但经常会混淆。这是因为那些编码可以是两个字节，而不是UTF-8的子集。

如果您不相信我，可以尝试使用各种编码进行getBytes()，并且会看到数据损坏和数据丢失。

Answer 1

我可能误解了错误编码数据的性质，但PHP代码对我来说似乎有些过分。如果你有UTF-8字节作为单个字符传递，你应该能够做：

String fix(String s) {
    byte[] bytes = s.getBytes(Charset.forName("windows-1252"));
    return new String(bytes, StandardCharsets.UTF_8);
}

Java库使用启发式方法修复错误编码的文本

1 个答案: