Java库使用启发式修复编码错误的文本

我正在处理一个外部web服务，它给了我错误编码（和/或损坏）的字符串（

UTF-8

），这些字符串很可能是

ISO拉丁语

或

WINDOWS-1252

，但现在是

UTF-8

（和/或ISO/WINDOWS/UTF-8的混合）。可爱的帽子（

）比比皆是

显然，我无法修复外部web服务如何存储其字符串，从而导致信息丢失。因此，我所知道的100%翻译的希望是不可能的

但我希望有人用Java编写了一个启发式字符映射库（不太可能有人会键入hats）

如果没有，我想我可以移植这段PHP代码：

更新和解释：像@VGR这样的简单转换将不起作用。我没有原始字节。数据在端点处的转换不正确（SOAP服务器可能

getBytes（/*没有正确的编码*/）

已完成，或者数据存储格式不正确）。在Java中将字节转换为字符串时，数据不会被保留，除非编码在任何地方都是相同的。如果您想到类似于

ASCII

UTF-8

，这很容易理解。使用

Windows-1252

或

ISO拉丁语

则要复杂得多，因为数据不会丢失，但经常会混淆。这是因为这些编码可以是两个字节，并且不是

UTF-8

的子集

---

如果您不相信我，您可以尝试使用各种编码前后执行

getBytes（）

，将看到数据损坏和数据丢失。

我可能误解了错误编码数据的性质，但对我来说，PHP代码似乎有些过火。如果您有作为单个字符传递的UTF-8字节，您应该能够执行以下操作：

String fix(String s) {
    byte[] bytes = s.getBytes(Charset.forName("windows-1252"));
    return new String(bytes, StandardCharsets.UTF_8);
}

---

这不起作用，因为数据已经损坏。如果我有原始字节，那就行了。相信我，你所列出的是我非常清楚的。@AdamAgent这就是PHP代码的作用。。。尽管它应该使用Windows-1252而不是ISO-8859-1。你能举例说明你所拥有的和它应该是什么吗？你是对的；代码已更新。我认为所有UTF-8字节都是有效的ISO-8859-1字符，但事实并非如此。@Esailija上面的代码根本不是PHP代码所做的。PHP代码正在替换基于一些启发式映射的字符字节。它这样做的原因是因为代码假设2字节拉丁/窗口代码与潜在的4字节UTF-8混合，这是我的问题。上面的Java代码将字节放在Unicode（不是UTF-8）中，然后从Unicode转换为基于巨大映射表的字符编码。我不清楚为什么这还不够。如果您知道原始错误编码字节的编码方式，那么使用已知字符集对其进行解码是完全安全可靠的。与不带参数调用String.getBytes不同，带参数调用String.getBytes更可靠，并保证产生可预测的结果。不会丢失任何信息。问题是您的服务无法知道原始编码应该是什么？我不应该让它打扰我，但当有人投票结束而不写评论时，它总是让我烦恼。