背景
使用 Swift,我尝试通过 URLSession
获取 HTML,而不是首先将其加载到 WKWebView
中,因为我只需要 HTML 而不需要任何子资源。我遇到了某些页面的问题,这些页面在加载到 WKWebView
时有效,但在通过 URLSession
加载时(甚至是简单的 NSString(contentsOf: url, encoding String.Encoding.utf8.rawValue)
) UTF-8 转换失败。
如何重现
失败(打印“nil”):
print(try? NSString(contentsOf: URL(string: "http://www.huffingtonpost.jp/techcrunch-japan/amazon-is-gobbling-whole-foods-for-a-reported-13 -7-billion_b_17171132.html?utm_hp_ref=japan&ir=Japan")!, 编码: String.Encoding.utf8.rawValue))
但是将 URL 更改为站点主页,它成功了:
print(try?NSString(contentsOf: URL(string: "http://www.huffingtonpost.jp")!, encoding: String.Encoding.utf8.rawValue))
问题
如何“清理”由包含格式错误的 UTF-8 的 URL 返回的数据?我想删除或替换格式错误的 UTF-8 中的任何无效序列,以便可以查看其余部分。 WKWebView 能够很好地呈现页面(并声称它也是 UTF-8 内容),您可以通过访问 URL 看到:http://www.huffingtonpost.jp/techcrunch-japan/amazon-is-gobbling-whole-foods-for-a-reported-13-7-billion_b_17171132.html?utm_hp_ref=japan&ir=Japan
最佳答案
这是一种从(可能)格式错误的字符串中创建 String
的方法
UTF-8 数据:
- 将网站内容读入
Data
对象。 - 附加一个
0
字节使其成为“C字符串” - 使用
String(cString:)
进行转换。此初始化程序将格式错误的 UTF-8 代码单元序列替换为 Unicode 替换字符 ("\u{FFFD}"
)。 - 可选:删除所有出现的替换字符。
“清洁”过程的示例:
var data = Data(bytes: [65, 66, 200, 67]) // malformed UTF-8
data.append(0)
let s = data.withUnsafeBytes { (p: UnsafePointer<CChar>) in String(cString: p) }
let clean = s.replacingOccurrences(of: "\u{FFFD}", with: "")
print(clean) // ABC
swift 5:
var data = Data([65, 66, 200, 67]) // malformed UTF-8
data.append(0)
let s = data.withUnsafeBytes { p in
String(cString: p.bindMemory(to: CChar.self).baseAddress!)
}
let clean = s.replacingOccurrences(of: "\u{FFFD}", with: "")
print(clean) // ABC
当然这可以定义为自定义初始化方法:
extension String {
init(malformedUTF8 data: Data) {
var data = data
data.append(0)
self = data.withUnsafeBytes { (p: UnsafePointer<CChar>) in
String(cString: p).replacingOccurrences(of: "\u{FFFD}", with: "")
}
}
}
swift 5:
extension String {
init(malformedUTF8 data: Data) {
var data = data
data.append(0)
self = data.withUnsafeBytes{ p in
String(cString: p.bindMemory(to: CChar.self).baseAddress!)
}.replacingOccurrences(of: "\u{FFFD}", with: "")
}
}
用法:
let data = Data(bytes: [65, 66, 200, 67])
let s = String(malformedUTF8: data)
print(s) // ABC
使用 transcode
可以更“直接”地完成清理
extension String {
init(malformedUTF8 data: Data) {
var utf16units = [UInt16]()
utf16units.reserveCapacity(data.count) // A rough estimate
_ = transcode(data.makeIterator(), from: UTF8.self, to: UTF16.self,
stoppingOnError: false) { code in
if code != 0xFFFD {
utf16units.append(code)
}
}
self = String(utf16CodeUnits: utf16units, count: utf16units.count)
}
}
这本质上就是 String(cString:)
做,比较
CString.swift和
StringCreate.swift .
另一种选择是使用 UTF8
编解码器 decode()
方法
并忽略错误:
extension String {
init(malformedUTF8 data: Data) {
var str = ""
var iterator = data.makeIterator()
var utf8codec = UTF8()
var done = false
while !done {
switch utf8codec.decode(&iterator) {
case .emptyInput:
done = true
case let .scalarValue(val):
str.unicodeScalars.append(val)
case .error:
break // ignore errors
}
}
self = str
}
}
关于ios - 清理格式错误的 UTF-8 数据,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44611598/