Question

背景

使用Swift，我试图通过URLSession获取HTML，而不是首先将其加载到WKWebView，因为我只需要HTML而不需要子资源。我遇到了加载到WKWebView时有效的某些页面的问题，但是当通过URLSession（甚至是简单的NSString(contentsOf: url, encoding String.Encoding.utf8.rawValue)加载时），UTF-8转换失败。

如何重现

失败（打印“nil”）：

print(try? NSString(contentsOf: URL(string: "http://www.huffingtonpost.jp/techcrunch-japan/amazon-is-gobbling-whole-foods-for-a-reported-13-7-billion_b_17171132.html?utm_hp_ref=japan&ir=Japan")!, encoding: String.Encoding.utf8.rawValue))

但是将URL更改为网站的主页，它会成功：

print(try? NSString(contentsOf: URL(string: "http://www.huffingtonpost.jp")!, encoding: String.Encoding.utf8.rawValue))

问题

如何“清理”包含格式错误的UTF-8的网址返回的数据？我想删除或替换格式错误的UTF-8中的任何无效序列，以便可以查看其余部分。 WKWebView能够很好地呈现页面（并声称它也是UTF-8内容），您可以通过访问URL看到：http://www.huffingtonpost.jp/techcrunch-japan/amazon-is-gobbling-whole-foods-for-a-reported-13-7-billion_b_17171132.html?utm_hp_ref=japan&ir=Japan

Answer 1

这是一种从（可能）格式错误创建String的方法 UTF-8数据：

将网站内容读入Data对象。
附加一个0字节，使其成为＆＃34; C字符串＆＃34;
使用String(cString:)进行转化。此初始化程序使用Unicode替换字符（"\u{FFFD}"）替换格式错误的UTF-8代码单元序列。
可选：删除所有出现的替换字符。

＆＃34;清洁＆＃34;过程：

var data = Data(bytes: [65, 66, 200, 67]) // malformed UTF-8

data.append(0)
let s = data.withUnsafeBytes { (p: UnsafePointer<CChar>) in String(cString: p) }
let clean = s.replacingOccurrences(of: "\u{FFFD}", with: "")

print(clean) // ABC

当然，这可以定义为自定义init方法：

extension String {
    init(malformedUTF8 data: Data) {
        var data = data
        data.append(0)
        self = data.withUnsafeBytes { (p: UnsafePointer<CChar>) in
            String(cString: p).replacingOccurrences(of: "\u{FFFD}", with: "")
        }
    }
}

用法：

let data = Data(bytes: [65, 66, 200, 67])
let s = String(malformedUTF8: data) 
print(s) // ABC

可以更多地进行清洁＆＃34;直接＆＃34;使用transcode和

extension String {
    init(malformedUTF8 data: Data) {
        var utf16units = [UInt16]()
        utf16units.reserveCapacity(data.count) // A rough estimate

        _ = transcode(data.makeIterator(), from: UTF8.self, to: UTF16.self,
                      stoppingOnError: false) { code in
            if code != 0xFFFD {
                utf16units.append(code)
            }
        }

        self = String(utf16CodeUnits: utf16units, count: utf16units.count)
    }
}

这基本上就是String(cString:) 确实比较 CString.swift和 StringCreate.swift

另一种选择是使用UTF8编解码器decode()方法并忽略错误：

extension String {
    init(malformedUTF8 data: Data) {
        var str = ""
        var iterator = data.makeIterator()
        var utf8codec = UTF8()
        var done = false
        while !done {
            switch utf8codec.decode(&iterator) {
            case .emptyInput:
                done = true
            case let .scalarValue(val):
                str.unicodeScalars.append(val)
            case .error:
                break // ignore errors
            }
        }
        self = str
    }
}

清除格式错误的UTF-8数据

背景

如何重现

问题

1 个答案: