Question

有没有人注意到如果你从剪贴板中检索HTML，它会得到编码错误并注入奇怪的字符？

例如，执行如下命令：

string s = (string) Clipboard.GetData(DataFormats.Html)

结果如：

<FONT size=-2>Â Â <A href="/advanced_search?hl=en">Advanced 
Search</A><BR>Â Â <A href="/preferences?hl=en">Preferences</A><BR>Â Â <A 
href="/language_tools?hl=en">Language 
Tools</A></FONT>

不确定MarkDown将如何处理此问题，但上面生成的标记中有奇怪的字符。

似乎该错误与.NET框架有关。您认为从剪贴板中获取正确编码的HTML的最佳方法是什么？

Answer 1

在这种情况下，它不像我的情况那样可见。今天我试图从剪贴板复制数据，但有一些unicode字符。我得到的数据好像是在Windows-1250编码（我的Windows中的本地编码）中读取UTF-8编码文件。

看来你的情况是一样的。如果在Windows-1252 （或Windows-1250;两者都有效）中保存html数据（记得在Â字符后面放置不可破坏的空格= 0xa0，而不是标准空间） / em>的。然后将此文件作为UTF-8文件打开，您将看到应该存在的内容。

对于我的其他项目，我创建了一个用损坏的编码来修复数据的函数。

在这种情况下，简单转换就足够了：

byte[] data = Encoding.Default.GetBytes(text); text = Encoding.UTF8.GetString(data);

我的原始功能稍微复杂一些，包含测试以确保数据不会损坏......

public static bool FixMisencodedUTF8(ref string text, Encoding encoding) { if (string.IsNullOrEmpty(text)) return false; byte[] data = encoding.GetBytes(text); // there should not be any character outside source encoding string newStr = encoding.GetString(data); if (!string.Equals(text, newStr)) // if there is any character "outside" return false; // leave, the input is in a different encoding if (IsValidUtf8(data) == 0) // test data to be valid UTF-8 byte sequence return false; // if not, can not convert to UTF-8 text = Encoding.UTF8.GetString(data); return true; }

我知道这不是最好的（或正确的解决方案），但我没有找到任何其他方法来修复输入......

编辑：（2017年7月20日）

似乎Microsoft已经发现此错误，现在它可以正常工作。我不确定问题是否存在于某些框架中，但我确信，现在应用程序在编写答案时使用了不同的框架。 （现在是4.5;之前的版本是2.0） （现在我的所有代码都无法解析数据。还有另一个问题是确定应用程序的正确行为，修复程序已经应用并且没有修复。）

Answer 2

您必须将数据解释为UTF-8。请参阅MS Office hyperlinks change code page?。

Answer 3

这是您可以修改到剪贴板的PowerShell脚本，以更改任何编码问题。

http://www.johndcook.com/blog/2008/10/17/manipulating-the-clipboard-with-powershell/

Answer 4

我不知道您的原始源文档是什么，但请注意Word和Outlook以不同的编码提供了多个版本的剪贴板。一个通常是Windows-1252，另一个是UTF-8。当您期待Windows-1252（Latin-1 + Smart Quotes）时，您可能会默认抓取UTF-8编码版本？非ASCII字符将显示为多个奇数Latin-1重音字符。大多数“智能引号”不在Latin-1集中，通常是UTF-8中的三个字节。

您可以指定希望剪贴板内容的编码吗？

Answer 5

试试这个

System.Windows.Forms.Clipboard.GetText（System.Windows.Forms的的 TextDataFormat .HTML。）;

Answer 6

DataFormats.Html manual page表示它以UTF-8编码。但是.NET 4 Framework中有一个错误并且更低，它实际上读作UTF-8为 Windows-1252 。

你会得到一些错误的编码，导致有趣/不好的角色如 'A'， 'A€¹'，'A ' 'å½'， 'Å¡'，' A '“， 'Â¾'， 'A'， 'A'， 'Â¡'，' A¢ ”， 'A£'， 'å¤'， 'A¥'， 'Â|'， 'Â§'， 'A'， 'A©'

这里有完整的解释 specification

Soln：创建翻译词典并搜索和替换。

如何从剪贴板中获取正确编码的HTML？

6 个答案: