如何解决UTF8 验证可以在 char[] 上完成,还是必须在原始字节 [] 上完成?
我正在尝试验证我所摄取的文件都严格符合 UTF8,并且通过我的多次阅读,我得出的结论是,如果要正确完成验证,则必须使用原始的、未篡改的数据字节进行分析。如果在事后尝试查看字符串本身,他们不太可能发现是否有任何字符不符合 UTF8,因为 Java 会尝试转换它们。
我正在正常读取文件:我从文件中收到一个 InputStream
,然后向它提供一个 InputStreamReader
,然后将它提供给 BufferedReader
。它看起来像:
InputStream is = new FileInputStream(fileLocation);
InputStreamReader isr = new InputStreamReader(is,StandardCharsets.UTF_8)));
BufferedReader br = new BufferedReader(isr);
我可以覆盖 BufferedReader
类,为它偶然发现的每个字符添加一些验证。
问题在于 BufferedReader
有一个 char[]
,而不是 byte[]
,用于缓冲区。这意味着字节会自动转换为字符。
那么,我的问题是:这个验证可以在位于 BufferedReader 的 char[]
级别完成吗?虽然我在这里有点“强制”UTF8:
InputStreamReader isr = new InputStreamReader(is,StandardCharsets.UTF_8)));
我看到字符从非 utf-8(例如 utf-16)转换为 utf-8,并破坏了一些系统。我不知道 char[]
对于这个验证来说基本上“太晚了”。是吗?
解决方法
定义 UTF-8 兼容。有 2 个事件可以合理地称为“无效”。 UTF-8 作为一种格式将 32 位数字转换为字节序列,并且不能转换任何数字,只能转换有限的集合(但可以转换所有可能出现在 unicode 中的数字)。
- 对不存在的字形的有效转换。
并非 UTF-8 可以存储的 32 位数字中的每一个都是有效的 unicode 代码点。但是,unicode 一直在扩展。今天无效的东西明天可能有效。除非您加载了整个 unicode 表,否则无法真正了解这些内容。
- 无效序列
通常在将字节转换为文本时(char、String、Reader、Writer、StringBuilder - 任何面向字符的东西),并且您尝试转换无效的字节序列时,您要么得到异常,要么进程处于宽松模式,失败将转换为一个字符,表示“这无效”。
如果发生异常,那么您不可能有一个字符数组(发生异常而不是返回一个字符数组)。如果没有,则您的字符中有该字形,因此只需搜索该字形即可。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。