Java 如何验证UTF-8字符串是否包含错误编码的字符

在大型数据集中，我有一些数据如下所示：

"guide (but, yeah, it’s okay to share it with ‘em)."

我已经在一个十六进制编辑器中打开了这个文件，并通过一个字符编码检测算法（）运行原始字节数据，它被肯定地检测为UTF-8

在我看来，数据源错误地解释了原始字符集，并将有效的UTF-8写入了我收到的输出

---

我想尽我所能验证数据。有没有什么启发法/算法可以帮助我尝试验证？

一旦有了字符串，就不能这么做，必须在仍然有原始输入的情况下这样做。一旦有了字符串，就无法自动判断

是否™实际上是有意输入的，没有进行一些非常脆弱的测试。例如：

public static boolean isUTF8MisInterpreted( String input ) {
          //convenience overload for the most common UTF-8 misinterpretation
          //which is also the case in your question
      return isUTF8MisInterpreted( input, "Windows-1252");  
}

public static boolean isUTF8MisInterpreted( String input, String encoding) {

    CharsetDecoder decoder = Charset.forName("UTF-8").newDecoder();
    CharsetEncoder encoder = Charset.forName(encoding).newEncoder();
    ByteBuffer tmp;
    try {
        tmp = encoder.encode(CharBuffer.wrap(input));
    }

    catch(CharacterCodingException e) {
        return false;
    }

    try {
        decoder.decode(tmp);
        return true;
    }
    catch(CharacterCodingException e){
        return false;
    }       
}

public static void main(String args[]) {
    String test = "guide (but, yeah, it’s okay to share it with ‘em).";
    String test2 = "guide (but, yeah, it’s okay to share it with ‘em).";
    System.out.println( isUTF8MisInterpreted(test)); //true
    System.out.println( isUTF8MisInterpreted(test2)); //false

}

如果您仍然可以访问原始输入，您可以通过以下命令查看字节数组是否等于完全有效的utf-8字节序列：

public static boolean isValidUTF8( byte[] input ) {

    CharsetDecoder cs = Charset.forName("UTF-8").newDecoder();

    try {
        cs.decode(ByteBuffer.wrap(input));
        return true;
    }
    catch(CharacterCodingException e){
        return false;
    }       
}

您也可以将CharsetDecoder与streams一起使用，默认情况下，它在看到给定编码中的无效字节时会立即引发异常。
如果您使用的是HTML5，则只需添加
内的

对于HTML4，这里的源代码是什么？您是否将原始数据推送到上述来源？乍一看，我想说您尝试过并将cp-1252撇号推到它上面，而没有将它们转换为适当的UTF-8等价物……您需要展示如何从数据集中读取特定数据，以及如何向最终用户/您自己呈现特定数据。例如，您是否使用
FileReader
读取它并使用
System.out.println（）
显示它？您必须告诉其中一个或两个用户使用UTF-8而不是平台默认字符集（可识别为CP1252）。这看起来像是一个UTF-8数据源（U+2019
”
正确编码为八位字节
e2 80 99
），使用单字节windows-1252编码解码（其中它们被解释为代码点U+00e2 U+20ac U+2122-
™。到目前为止，这可能是我找到的最简单的解决方案。谢谢！