Encoding 检测错误的UTF-8编码：要嗅探的错误字符列表？

我有一个在两个应用程序之间共享的sql server 2010数据库。一个应用程序由我们控制，另一个应用程序是一个第三方应用程序，它首先创建了数据库。我们的应用程序是建立在第三方webmail应用程序之上的CRM

该数据库包含varchar列，采用拉丁语-1编码。第三方应用程序是用php编写的，不关心数据的正确编码，因此它将utf-8编码的字节填充到varchar列中，这些字节被解释为拉丁语-1，看起来像垃圾

我们的CRM应用程序是用.Net编写的，它会自动检测数据库排序规则与内存中字符串的编码不同，因此当.Net写入数据库时，它会转换字节以匹配数据库编码

所以。。。从我们的应用程序写入数据库的数据在数据库中看起来是正确的，但来自第三方应用程序的数据却不正确

当我们的应用程序写入FirstName=Céline时，它作为Céline存储在数据库中

当webmail应用程序写入FirstName=Céline时，它将作为Cé行存储在数据库中

我们的CRM应用程序需要显示在任一系统中创建的联系人。因此，我正在编写一个EncodingSniffer类，该类查找指示其编码错误的字符串的标记字符，并对其进行转换

目前我有：

private static string[] _flaggedChars = new string[] { "é" }; 私有静态字符串[]\u flaggedChars=新字符串[]{ "é" }; 它非常适合将Cé行显示为Céline，但我需要添加到列表中

是否有人知道一种资源可以获得utf-8特殊字符可以解释为iso-8859-1的所有可能方式

谢谢

澄清： 因为我在.Net工作。从数据库加载到内存中时，字符串将转换为Unicode UTF-16。因此，不管数据库中的编码是否正确。它现在表示为UTF16字节。我需要能够分析这些UTF-16字节，并确定它们是否由于UTF-8字节被塞入iso-8859-1数据库而出错。。。。像泥一样干净，对吗

这是我到目前为止所拥有的。它已经清理了大多数密文字符的显示，但我仍然有麻烦与É 例如：通过webmail将Ãric存储在数据库中作为Éric，但在检测到错误编码并将其更改回后，它显示为�?里克 看看一个拥有2500个联系人的用户，其中数百个存在编码问题，É是唯一没有正确显示的东西

public static Regex CreateRegex()
    {
        string specials = "ÀÁÂÃÄÅÆÇÈÉÊËÌÍÎÏÐÑÒÓÔÕÖ×ØÙÚÛÜÝÞßàáâãäåæçèéêëìíîïðñòóôõö";

        List<string> flags = new List<string>();
        foreach (char c in specials)
        {
            string interpretedAsLatin1 = Encoding.GetEncoding("iso-8859-1").GetString(Encoding.UTF8.GetBytes(c.ToString())).Trim();//take the specials, treat them as utf-8, interpret them as latin-1
            if (interpretedAsLatin1.Length > 0)//utf-8 chars made up of 2 bytes, interpreted as two single byte latin-1 chars.
                flags.Add(interpretedAsLatin1);
        }

        string regex = string.Empty;
        foreach (string s in flags)
        {
            if (regex.Length > 0)
                regex += '|';
            regex += s;
        }
        return new Regex("(" + regex + ")");
    }

    public static string CheckUTF(string data)
    {
        Match match = CreateRegex().Match(data);
        if (match.Success)
            return Encoding.UTF8.GetString(Encoding.GetEncoding("iso-8859-1").GetBytes(data));//from iso-8859-1 (latin-1) to utf-8
        else
            return data;
    }

publicstaticregex CreateRegex（）
{
弦乐特辑；
列表标志=新列表（）；
foreach（特价中的字符c）
{
字符串解释器daslatin1=Encoding.GetEncoding（“iso-8859-1”）.GetString（Encoding.UTF8.GetBytes（c.ToString（）））.Trim（）；//将特殊值作为utf-8处理，将其解释为拉丁语-1
if（解释器daslatin1.Length>0）//utf-8字符由2个字节组成，被解释为两个单字节拉丁-1字符。
标志。添加（1）；
}
string regex=string.Empty；
foreach（标志中的字符串s）
{
如果（regex.Length>0）
正则表达式+='|'；
regex+=s；
}
返回新的正则表达式（“（“+Regex+”）；
}
公共静态字符串校验UTF（字符串数据）
{
Match Match=CreateRegex（）.Match（数据）；
如果（匹配成功）
返回Encoding.UTF8.GetString（Encoding.GetEncoding（“iso-8859-1”）.GetBytes（数据））；//从iso-8859-1（拉丁语-1）到utf-8
其他的
返回数据；
}

---

因此：É被转换为195'Ã'，8240'‰'

您可能应该尝试将字节字符串解码为UTF-8，如果您得到错误，则假设它是ISO-8859-1

编码为ISO-8859-1的文本很少“碰巧”也是有效的UTF-8。。。除非它是ISO-8859-1，它实际上只包含ASCII，但是在这种情况下，你当然不会有任何问题。因此，该方法具有相当的鲁棒性

忽略哪些字符在实际语言中出现得比其他字符更频繁，下面是一个简单的分析，假设每个字符出现的频率相同。让我们试着找出有效的ISO-8859-1被误认为UTF-8导致mojibake的频率。我还假设C1控制字符（U+0080到U+009F）不会出现

对于字节字符串中的任何给定字节。如果字节接近字符串的结尾，则更有可能检测到格式错误的UTF-8，因为已知某些字节序列的长度不足以成为有效的UTF-8。但假设字节不在字符串末尾：

• p（字节解码为ASCII）=0.57。这不提供有关字符串是ASCII、ISO-8859-1还是UTF-8的信息
• 如果这个字节是0x80到0xc1或0xf8到0xff，它不能是UTF-8，所以您将检测到它。p=0.33
• 如果第一个字节是0xc2到0xdf（p=0.11），则它可能是有效的UTF-8，但前提是后面跟一个值介于0x80和0xbf之间的字节。下一个字节不在该范围内的概率为192/224=0.86。所以UTF-8在这里失败的概率是0.09
• 如果第一个字节是0xe0到0xef，那么它可能是有效的UTF-8，但前提是后面跟着2个连续字节。因此，您检测到不良UTF-8的概率为（16/224）*（1-（0.14*0.14））=0.07
• 与0xf0到0xf7类似，概率为（8/224）*（1-（0.14*0.14*0.14））=0.04

在长字符串中的每个字节，检测到坏UTF-8的概率为0.33+0.09+0.07+0.04=0.53

因此，对于一个长字符串，ISO-8859-1将静默通过UTF-8解码器的概率非常小：它大约为每个额外字符的一半

当然，该分析假设ISO-8859-1 c是随机的

#based on c# in question: https://stackoverflow.com/questions/10484833/detecting-bad-utf-8-encoding-list-of-bad-characters-to-sniff
function Convert-CorruptCodePageString {
    [CmdletBinding(DefaultParameterSetName = 'ByInputText')]
    param (
        [Parameter(Mandatory = $true, ValueFromPipeline = $true, ParameterSetName = 'ByInputText')]
        [string]$InputText
        ,
        [Parameter(Mandatory = $true, ValueFromPipeline = $true, ParameterSetName = 'ByInputObject')]
        [PSObject]$InputObject
        ,
        [Parameter(Mandatory = $true, ParameterSetName = 'ByInputObject')]
        [string]$Property
        ,
        [Parameter()]
        [System.Text.Encoding]$SourceEncoding = [System.Text.Encoding]::GetEncoding('Windows-1252')
        ,
        [Parameter()]
        [System.Text.Encoding]$DestinationEncoding = [system.Text.Encoding]::UTF8
        ,
        [Parameter()]
        [string]$DodgyChars = 'ÀÁÂÃÄÅÆÇÈÉÊËÌÍÎÏÐÑÒÓÔÕÖ×ØÙÚÛÜÝÞßàáâãäåæçèéêëìíîïðñòóôõö'
    )
    begin {
        [string]$InvalidCharRegex = ($DodgyChars.ToCharArray() | %{
            [byte[]]$dodgyCharBytes = $DestinationEncoding.GetBytes($_.ToString())
            $SourceEncoding.GetString($dodgyCharBytes,0,$dodgyCharBytes.Length).Trim()
        })  -join '|'   
    }
    process {
        if ($PSCmdlet.ParameterSetName -eq 'ByInputText') {
            $InputObject = $null
        } else {
            $InputText = $InputObject."$Property"
        }
        [bool]$IsLikelyCorrupted = $InputText -match $InvalidCharRegex
        if ($IsLikelyCorrupted) { #only bother to decrupt if we think it's corrupted
            [byte[]]$bytes = $SourceEncoding.GetBytes($InputText)
            [string]$outputText = $DestinationEncoding.GetString($bytes,0,$bytes.Length)
        } else {
            [string]$outputText = $InputText
        }
        [pscustomobject]@{
            InputString = $InputText
            OutputString = $outputText
            InputObject = $InputObject
            IsLikelyCorrupted = $IsLikelyCorrupted
        }        
    }
}

#demo of using a simple string without the function (may cause corruption since this doesn't check if the characters being replaced are those likely to have been corrupted / thus is more likely to cause corruption in many strings).
$x = 'Strømmen'
$bytes = [System.Text.Encoding]::GetEncoding('Windows-1252').GetBytes($x)
[system.Text.Encoding]::UTF8.GetString($bytes,0,$bytes.Length)

#demo using the function
$x | Convert-CorruptCodePageString

#demo of checking all records in a table for an issue / reporting those with issues
#amend SQL Query, MyDatabaseInstance, and MyDatabaseCatlogue to point to your DB / query the relevant table
Invoke-SQLQuery -Query 'Select [Description], [RecId] from [DimensionFinancialTag] where [Description] is not null and [Description] > ''''' -DbInstance $MyDatabaseInstance -DbCatalog $MyDatabaseCatalog |
    Convert-CorruptCodePageString -Property 'Description' | 
    ?{$_.IsLikelyCorrupted} | 
    ft @{N='RecordId';E={$_.InputObject.RecId}}, InputString, OutputString 

function Invoke-SQLQuery {
    [CmdletBinding(DefaultParameterSetName = 'ByQuery')]
    param (
        [Parameter(Mandatory = $true)]
        [string]$DbInstance
        ,
        [Parameter(Mandatory = $true)]
        [string]$DbCatalog
        ,
        [Parameter(Mandatory = $true, ParameterSetName = 'ByQuery')]
        [string]$Query
        ,
        [Parameter(Mandatory = $true, ParameterSetName = 'ByPath')]
        [string]$Path
        ,
        [Parameter(Mandatory = $false)]
        [hashtable]$Params = @{}
        ,
        [Parameter(Mandatory = $false)]
        [int]$CommandTimeoutSeconds = 30 #this is the SQL default
        ,
        [Parameter(Mandatory = $false)]
        [System.Management.Automation.Credential()]
        [System.Management.Automation.PSCredential]$Credential=[System.Management.Automation.PSCredential]::Empty 
    )
    begin {
        write-verbose "Call to 'Execute-SQLQuery'"
        $connectionString = ("Server={0};Database={1}" -f $DbInstance,$DbCatalog)
        if ($Credential -eq [System.Management.Automation.PSCredential]::Empty) {
            $connectionString = ("{0};Integrated Security=True" -f $connectionString)
        } else {
            $connectionString = ("{0};User Id={1};Password={2}" -f $connectionString, $Credential.UserName, $Credential.GetNetworkCredential().Password)    
            $PSCmdlet.Name    
        }
        $connection = New-Object System.Data.SqlClient.SqlConnection
        $connection.ConnectionString = $connectionString
        $connection.Open()    
    }
    process {
        #create the command & assign the connection
        $cmd = new-object -TypeName 'System.Data.SqlClient.SqlCommand'
        $cmd.Connection = $connection

        #load in our query
        switch ($PSCmdlet.ParameterSetName) {
            'ByQuery' {$cmd.CommandText = $Query; break;}
            'ByPath' {$cmd.CommandText = Get-Content -Path $Path -Raw; break;}
            default {throw "ParameterSet $($PSCmdlet.ParameterSetName) not recognised by Invoke-SQLQuery"}
        }
        #assign parameters as required 
        #NB: these don't need declare statements in our query; so a query of 'select @demo myDemo' would be sufficient for us to pass in a parameter with name @demo and have it used
        #we can also pass in parameters that don't exist; they're simply ignored (sometimes useful if writing generic code that has optional params)
        $Params.Keys | %{$cmd.Parameters.AddWithValue("@$_", $Params[$_]) | out-null}

        $reader = $cmd.ExecuteReader()
        while (-not ($reader.IsClosed)) {
            $table = new-object 'System.Data.DataTable'
            $table.Load($reader)
            write-verbose "TableName: $($table.TableName)" #NB: table names aren't always available
            $table | Select-Object -ExcludeProperty RowError, RowState, Table, ItemArray, HasErrors
        }

    }
    end {
        $connection.Close()
    }
}