Unit testing 示例无效的utf8字符串？

我正在测试我的一些代码如何处理坏数据，我需要一些无效UTF-8的字节序列

你能发布一些，理想情况下，解释为什么它们不好/你从哪里得到的

看一看

---

您会发现许多UTF-8不规则的例子，包括孤立的开始字节、连续字节丢失、过长的序列等。

模糊测试-生成随机的八位字节序列。很可能你会很快得到一些非法序列。

在PHP中：

$examples = array(
    'Valid ASCII' => "a",
    'Valid 2 Octet Sequence' => "\xc3\xb1",
    'Invalid 2 Octet Sequence' => "\xc3\x28",
    'Invalid Sequence Identifier' => "\xa0\xa1",
    'Valid 3 Octet Sequence' => "\xe2\x82\xa1",
    'Invalid 3 Octet Sequence (in 2nd Octet)' => "\xe2\x28\xa1",
    'Invalid 3 Octet Sequence (in 3rd Octet)' => "\xe2\x82\x28",
    'Valid 4 Octet Sequence' => "\xf0\x90\x8c\xbc",
    'Invalid 4 Octet Sequence (in 2nd Octet)' => "\xf0\x28\x8c\xbc",
    'Invalid 4 Octet Sequence (in 3rd Octet)' => "\xf0\x90\x28\xbc",
    'Invalid 4 Octet Sequence (in 4th Octet)' => "\xf0\x28\x8c\x28",
    'Valid 5 Octet Sequence (but not Unicode!)' => "\xf8\xa1\xa1\xa1\xa1",
    'Valid 6 Octet Sequence (but not Unicode!)' => "\xfc\xa1\xa1\xa1\xa1\xa1",
);

---

从

可以从格式良好的字节序列表中获得格式不良字节序列模式的概念。请参见Unicode标准6.2中的“”

    Code Points    First Byte Second Byte Third Byte Fourth Byte
  U+0000 -   U+007F   00 - 7F
  U+0080 -   U+07FF   C2 - DF    80 - BF
  U+0800 -   U+0FFF   E0         A0 - BF     80 - BF
  U+1000 -   U+CFFF   E1 - EC    80 - BF     80 - BF
  U+D000 -   U+D7FF   ED         80 - 9F     80 - BF
  U+E000 -   U+FFFF   EE - EF    80 - BF     80 - BF
 U+10000 -  U+3FFFF   F0         90 - BF     80 - BF    80 - BF
 U+40000 -  U+FFFFF   F1 - F3    80 - BF     80 - BF    80 - BF
U+100000 - U+10FFFF   F4         80 - 8F     80 - BF    80 - BF

以下是从U+24B62生成的示例。我将它们用于错误报告：

在各种库中可以看到尾随字节范围（[0x80，0xBF]）的过度简化

// U+0800 - U+0FFF
\xE0\x80\x80

// U+D000 - U+D7FF
\xED\xBF\xBF

// U+10000 -  U+3FFFF
\xF0\x80\x80\x80

// U+100000 - U+10FFFF
\xF4\xBF\xBF\xBF

---

尤其邪恶。我把它看作是ubuntu上的组合

---

逗号breve

可能与Heisenbug或Eisentest重复没有比这更糟糕的了。测试通过10次，您发布产品，测试失败。@EricDuminil听说过srand（）吗？很公平。你能在回答中提到这一点吗？这样我就可以恢复我的否决票了。嗯，总是有新的东西要学，这就是为什么我一开始就这么做的原因。我认为您的

srand（）

建议是个好主意，它可能会帮助其他人。我们可以直接创建无效字符串，我们不需要随机性来尝试并最终找到它们，尽管字符串处理库（可能！）会从模糊化中受益，以防万一。

// U+0800 - U+0FFF
\xE0\x80\x80

// U+D000 - U+D7FF
\xED\xBF\xBF

// U+10000 -  U+3FFFF
\xF0\x80\x80\x80

// U+100000 - U+10FFFF
\xF4\xBF\xBF\xBF