Unicode 从错误保存为UTF-8的数据重建Windows-1252字符

我正在处理使用Java HtmlUnit采样的数据。该网页使用Windows-1252编码，但检索响应时，将该页面编码为UTF-8（即调用HtmlUnit WebResponse对象上的getContentAsString时，指定了UTF-8编码，而不是延迟到服务器响应中指定的编码）。是否有任何方法可以逆转此过程，从错误标记的UTF-8字符数据重建原始Windows-1252数据

---

关于这个主题的大多数其他问题都涉及到识别文件的类型，或者从一种流类型转换为另一种流类型，以便首先正确编码字符。这里的情况并非如此。我不相信像iconv这样的实用程序会起作用，因为它们希望流从一开始就正确地保存在源代码中。

可能不会。如果Windows-1252编码的文本被误认为是UTF-8，那么所有非ASCII码点都将被破坏，因为UTF-8处理这些码点的方式。只有当您非常幸运，并且所有非ASCII码点都是成对或三对的，并且纯粹是偶然地转换为真正的Unicode码点时，您才可以反转这个过程

---

但是你的运气太差了。

这取决于损坏的代码点是如何存储的。我没有使用HtmlUnit的经验，但我想先看看结果的十六进制转储，然后再得出结论，这是不可能的。这可能不是不可能的。如果负责解码（假定的）utf-8的实体很奇怪，它可能会保持错误的utf-8码点“按原样”二进制，但这将是一个非常糟糕的解码器。我的猜测是，结果充满了方框或问号……HtmlUnit使用Java的编码，并且没有做任何特殊的事情（与icu4j不同）。因此，字符集的损坏将取决于Java的rt库的恶意，我认为这些库非常可靠。如果任何人有进一步的建议，鉴于该信息，将不胜感激。