java - 如何检测非法的 UTF-8 字节序列以在 java 输入流中替换它们？

Question

有问题的文件不在我的控制之下。大多数字节序列都是有效的 UTF-8，它不是 ISO-8859-1(或其他编码)。 我想尽我所能提取尽可能多的信息。

该文件包含一些非法字节序列，应将其替换为替换字符。

这不是一件容易的事，它认为它需要一些关于 UTF-8 状态机的知识。

Oracle 有一个包装器可以满足我的需要:
UTF8ValidationFilter javadoc

是否有类似的东西可用(商业或免费软件)？

谢谢
-斯蒂芬

解决方法:

final BufferedInputStream in = new BufferedInputStream(istream);
final CharsetDecoder charsetDecoder = StandardCharsets.UTF_8.newDecoder();
charsetDecoder.onMalformedInput(CodingErrorAction.REPLACE);
charsetDecoder.onUnmappableCharacter(CodingErrorAction.REPLACE);
final Reader inputReader = new InputStreamReader(in, charsetDecoder);

Answer 1

java.nio.charset.CharsetDecoder做你需要的。此类通过针对不同类型错误的用户可定义操作提供字符集解码(请参阅 onMalformedInput() 和 onUnmappableCharacter())。

CharsetDecoder 写入 OutputStream，您可以使用 java.io.PipedOutputStream 将其通过管道传输到 InputStream ，有效地创建了一个过滤后的 InputStream。