Question

使用方案

我们已经实现了一个Web服务，我们的Web前端开发人员在内部使用（通过php api）来显示产品数据。在网站上，用户输入内容（即查询字符串）。在内部，网站通过api调用服务。

注意：我们使用restlet，而不是tomcat

原始问题

Firefox 3.0.10似乎尊重浏览器中选定的编码，并根据所选编码对网址进行编码。这确实导致ISO-8859-1和UTF-8的不同查询字符串。

我们的网站转发来自用户的输入并且不转换它（它应该），因此它可以通过使用包含德语变音符号的查询字符串调用web服务的api来调用服务。

即。查询部分看起来像

    ...v=abcädef

如果选择“ISO-8859-1”，则发送的查询部分看起来像

...v=abc%E4def

但如果选择“UTF-8”，则发送的查询部分看起来像

...v=abc%C3%A4def

所需解决方案

当我们控制服务时，因为我们已经实现了它，我们要检查服务器端，这个调用包含非utf-8字符，如果是，请回复4xx http状态< / p>

当前解决方案

检查每个字符（== string.substring（i，i + 1））

如果character.getBytes（）[0]等于63，则为'？'
如果Character.getType（character.charAt（0））返回OTHER_SYMBOL

代码

protected List< String > getNonUnicodeCharacters( String s ) {
  final List< String > result = new ArrayList< String >();
  for ( int i = 0 , n = s.length() ; i < n ; i++ ) {
    final String character = s.substring( i , i + 1 );
    final boolean isOtherSymbol = 
      ( int ) Character.OTHER_SYMBOL
       == Character.getType( character.charAt( 0 ) );
    final boolean isNonUnicode = isOtherSymbol 
      && character.getBytes()[ 0 ] == ( byte ) 63;
    if ( isNonUnicode )
      result.add( character );
  }
  return result;
}

问题

这会捕获所有无效（非utf编码）字符吗？你们中有谁有更好（更容易）的解决方案吗？

注意：我使用以下代码检查了URLDecoder

final String[] test = new String[]{
  "v=abc%E4def",
  "v=abc%C3%A4def"
};
for ( int i = 0 , n = test.length ; i < n ; i++ ) {
    System.out.println( java.net.URLDecoder.decode(test[i],"UTF-8") );
    System.out.println( java.net.URLDecoder.decode(test[i],"ISO-8859-1") );
}

打印：

v=abc?def
v=abcädef
v=abcädef
v=abcÃ¤def

它不抛出IllegalArgumentException 叹息

Answer 1

我问了同样的问题，

Handling Character Encoding in URI on Tomcat

我最近找到了一个解决方案，它对我来说效果很好。你可能想尝试一下。这是你需要做的，

将您的URI编码保留为Latin-1。在Tomcat上，将URIEncoding =“ISO-8859-1”添加到server.xml中的Connector。
如果您必须手动进行URL解码，请将Latin1用作字符集。
使用fixEncoding（）函数修复编码。

例如，要从查询字符串中获取参数，

  String name = fixEncoding(request.getParameter("name"));

你总能做到这一点。具有正确编码的字符串不会更改。

附上代码。祝你好运！

 public static String fixEncoding(String latin1) {
  try {
   byte[] bytes = latin1.getBytes("ISO-8859-1");
   if (!validUTF8(bytes))
    return latin1;   
   return new String(bytes, "UTF-8");  
  } catch (UnsupportedEncodingException e) {
   // Impossible, throw unchecked
   throw new IllegalStateException("No Latin1 or UTF-8: " + e.getMessage());
  }

 }

 public static boolean validUTF8(byte[] input) {
  int i = 0;
  // Check for BOM
  if (input.length >= 3 && (input[0] & 0xFF) == 0xEF
    && (input[1] & 0xFF) == 0xBB & (input[2] & 0xFF) == 0xBF) {
   i = 3;
  }

  int end;
  for (int j = input.length; i < j; ++i) {
   int octet = input[i];
   if ((octet & 0x80) == 0) {
    continue; // ASCII
   }

   // Check for UTF-8 leading byte
   if ((octet & 0xE0) == 0xC0) {
    end = i + 1;
   } else if ((octet & 0xF0) == 0xE0) {
    end = i + 2;
   } else if ((octet & 0xF8) == 0xF0) {
    end = i + 3;
   } else {
    // Java only supports BMP so 3 is max
    return false;
   }

   while (i < end) {
    i++;
    octet = input[i];
    if ((octet & 0xC0) != 0x80) {
     // Not a valid trailing byte
     return false;
    }
   }
  }
  return true;
 }

编辑：您的方法由于各种原因不起作用。当存在编码错误时，您无法依靠从Tomcat获得的内容。有时你得到或？其他时候，你不会得到任何东西，getParameter（）返回null。假设您可以检查“？”，您的查询字符串包含有效“？”的情况会怎样？？

此外，您不应拒绝任何请求。这不是您的用户的错。正如我在原始问题中提到的，浏览器可能以UTF-8或Latin-1编码URL。用户无法控制。你需要接受两者。将servlet更改为Latin-1将保留所有字符，即使它们是错误的，也可以让我们有机会修复它或将它丢弃。

我在这里发布的解决方案并不完美，但它是我们迄今为止发现的最好的解决方案。

Answer 2

如果找到无效的字符，您可以使用配置为引发异常的CharsetDecoder：

 CharsetDecoder UTF8Decoder =
      Charset.forName("UTF8").newDecoder().onMalformedInput(CodingErrorAction.REPORT);

请参阅CodingErrorAction.REPORT

Answer 3

这是我用来检查编码的原因：

CharsetDecoder ebcdicDecoder = Charset.forName("IBM1047").newDecoder();
ebcdicDecoder.onMalformedInput(CodingErrorAction.REPORT);
ebcdicDecoder.onUnmappableCharacter(CodingErrorAction.REPORT);

CharBuffer out = CharBuffer.wrap(new char[3200]);
CoderResult result = ebcdicDecoder.decode(ByteBuffer.wrap(bytes), out, true);
if (result.isError() || result.isOverflow() ||
    result.isUnderflow() || result.isMalformed() ||
    result.isUnmappable())
{
    System.out.println("Cannot decode EBCDIC");
}
else
{
    CoderResult result = ebcdicDecoder.flush(out);
    if (result.isOverflow())
       System.out.println("Cannot decode EBCDIC");
    if (result.isUnderflow())
        System.out.println("Ebcdic decoded succefully ");
}

编辑：使用Vouze建议更新

Answer 4

将所有控制字符替换为空字符串

value = value.replaceAll("\\p{Cntrl}", "");

Answer 5

URLDecoder将解码为给定的编码。这应该适当地标记错误。但文档说明：

这种解码器可以通过两种方式处理非法字符串。它可能会单独留下非法字符，也可能会抛出IllegalArgumentException。解码器采用哪种方法留给实现。

所以你应该尝试一下。另请注意（来自decode（）方法文档）：

World Wide Web Consortium Recommendation表示应该使用UTF-8。不这样做可能会引入不相容性

所以还有别的想法！

编辑：Apache Commons URLDecode声称会为不良编码抛出适当的例外。

Answer 6

我一直在研究类似的“猜测编码”问题。最佳解决方案涉及了解编码。除此之外，您可以进行有根据的猜测，以区分UTF-8和ISO-8859-1。

要回答如何检测字符串是否正确编码为UTF-8的一般问题，您可以验证以下内容：

没有字节是0x00,0xC0,0xC1，或者在0xF5-0xFF范围内。
尾部字节（0x80-0xBF）始终以头字节0xC2-0xF4或另一个尾部字节开头。
头字节应该正确地预测尾字节数（例如，0xC2-0xDF中的任何字节后面应该跟着0x80-0xBF范围内的一个字节）。

如果一个字符串通过了所有这些测试，那么它可以解释为有效的UTF-8。这并不能保证它是UTF-8，但它是一个很好的预测器。

ISO-8859-1中的合法输入可能没有行分隔符以外的控制字符（0x00-0x1F和0x80-0x9F）。看起来ISO-8859-1中也没有定义0x7F。

（我的基础是维基百科页面的UTF-8和ISO-8859-1。）

Answer 7

您可能希望在请求中包含已知参数，例如“...＆amp; encTest =ä€”，以安全地区分不同的编码。

Answer 8

您需要从头开始设置字符编码。尝试发送正确的 Content-Type 标头，例如 Content-Type：text / html; charset = utf-8 来修复正确的编码。 Web服务的标准一致性refers to utf-8 and utf-16 as the proper encoding。检查您的回复标题。

此外，在服务器端 - 在浏览器无法正确处理服务器发送的编码的情况下 - 通过分配新的String强制编码。您还可以通过执行单个 each_byte＆amp;来检查编码的utf-8字符串中的每个字节。 0x80 ，验证结果为非零。


boolean utfEncoded = true;
byte[] strBytes = queryString.getBytes();
for (int i = 0; i < strBytes.length(); i++) {
    if ((strBytes[i] & 0x80) != 0) {
        continue;
    } else {
        /* treat the string as non utf encoded */
        utfEncoded = false;
        break;
    }
}

String realQueryString = utfEncoded ?
    queryString : new String(queryString.getBytes(), "iso-8859-1");

另外，请look on this article，我希望它可以帮到你。

Answer 9

您可能会对以下正则表达式感兴趣：

http://blade.nagaokaut.ac.jp/cgi-bin/scat.rb/ruby/ruby-talk/185624

我在红宝石中使用它如下：

module Encoding
    UTF8RGX = /\A(
        [\x09\x0A\x0D\x20-\x7E]            # ASCII
      | [\xC2-\xDF][\x80-\xBF]             # non-overlong 2-byte
      |  \xE0[\xA0-\xBF][\x80-\xBF]        # excluding overlongs
      | [\xE1-\xEC\xEE\xEF][\x80-\xBF]{2}  # straight 3-byte
      |  \xED[\x80-\x9F][\x80-\xBF]        # excluding surrogates
      |  \xF0[\x90-\xBF][\x80-\xBF]{2}     # planes 1-3
      | [\xF1-\xF3][\x80-\xBF]{3}          # planes 4-15
      |  \xF4[\x80-\x8F][\x80-\xBF]{2}     # plane 16
    )*\z/x unless defined? UTF8RGX

    def self.utf8_file?(fileName)
      count = 0
      File.open("#{fileName}").each do |l|
        count += 1
        unless utf8_string?(l)
          puts count.to_s + ": " + l
        end
      end
      return true
    end

    def self.utf8_string?(a_string)
      UTF8RGX === a_string
    end

end

Answer 10

尝试在您可以触摸的任何地方始终使用UTF-8作为默认设置。（数据库，内存和UI）

单个字符集编码可以减少很多问题，实际上它可以加快您的Web服务器性能。有很多处理能力和内存浪费在编码/解码上。

如何确定String是否包含无效的编码字符

10 个答案: