Когато имах подобен проблем, използвах Perl скрипт, за да гарантирам, че данните се преобразуват във валиден UTF-8, като използвам код като този:
use Encode;
binmode(STDOUT, ":utf8");
while (<>) {
print Encode::decode('UTF-8', $_);
}
Този скрипт приема (евентуално повреден) UTF-8 на stdin
и отпечатва повторно валиден UTF-8 в stdout
. Невалидните знаци се заменят с �
(U+FFFD
, Заместващ символ в Unicode
).
Ако стартирате този скрипт на добър UTF-8 вход, изходът трябва да е идентичен с входния.
Ако имате данни в базата данни, има смисъл да използвате DBI, за да сканирате вашата таблица(и) и да изтриете всички данни, като използвате този подход, за да се уверите, че всичко е валидно UTF-8.
Това е едноредова версия на Perl на същия скрипт:
perl -MEncode -e "binmode STDOUT,':utf8';while(<>){print Encode::decode 'UTF-8',\$_}" < bad.txt > good.txt
РЕДАКТИРАНЕ:Добавено решение само за Java .
Това е пример как да направите това в Java:
import java.nio.ByteBuffer;
import java.nio.CharBuffer;
import java.nio.charset.CharacterCodingException;
import java.nio.charset.Charset;
import java.nio.charset.CharsetDecoder;
import java.nio.charset.CodingErrorAction;
public class UtfFix {
public static void main(String[] args) throws InterruptedException, CharacterCodingException {
CharsetDecoder decoder = Charset.forName("UTF-8").newDecoder();
decoder.onMalformedInput(CodingErrorAction.REPLACE);
decoder.onUnmappableCharacter(CodingErrorAction.REPLACE);
ByteBuffer bb = ByteBuffer.wrap(new byte[] {
(byte) 0xD0, (byte) 0x9F, // 'П'
(byte) 0xD1, (byte) 0x80, // 'р'
(byte) 0xD0, // corrupted UTF-8, was 'и'
(byte) 0xD0, (byte) 0xB2, // 'в'
(byte) 0xD0, (byte) 0xB5, // 'е'
(byte) 0xD1, (byte) 0x82 // 'т'
});
CharBuffer parsed = decoder.decode(bb);
System.out.println(parsed);
// this prints: Пр?вет
}
}