如何确定字符串是否包含无效的编码字符

Question

使用场景

我们已经实现了一个Web服务，我们的Web前端开发人员在内部使用了该服务（通过php
API）来显示产品数据。用户在网站上输入内容（即查询字符串）。在内部，网站通过api调用服务。

注意：我们使用restlet，而不是tomcat

原始问题

Firefox 3.0.10似乎尊重浏览器中选择的编码，并根据选择的编码对URL进行编码。这确实会导致ISO-8859-1和UTF-8的查询字符串不同。

我们的网站转发来自用户的输入，但不会进行转换（应该转换），因此它可能会通过api调用使用包含德国变音符号的查询字符串的webservice来调用该服务。

即查询部分看起来像

    ...v=abcädef

如果选择“ ISO-8859-1”，则发送的查询部分看起来像

...v=abc%E4def

但是如果选择“ UTF-8”，则发送的查询部分看起来像

...v=abc%C3%A4def

所需解决方案

在我们控制服务的过程中（因为我们已经实现了它），我们想在 服务器端 检查调用是否包含非utf-8字符，如果是，则返回4xx http状态

当前解决方案的详细信息

检查每个字符（== string.substring（i，i + 1））

1. 如果character.getBytes（）[0]等于“？”的63
2. 如果Character.getType（character.charAt（0））返回OTHER_SYMBOL

码

protected List< String > getNonUnicodeCharacters( String s ) {
  final List< String > result = new ArrayList< String >();
  for ( int i = 0 , n = s.length() ; i < n ; i++ ) {
    final String character = s.substring( i , i + 1 );
    final boolean isOtherSymbol = 
      ( int ) Character.OTHER_SYMBOL
       == Character.getType( character.charAt( 0 ) );
    final boolean isNonUnicode = isOtherSymbol 
      && character.getBytes()[ 0 ] == ( byte ) 63;
    if ( isNonUnicode )
      result.add( character );
  }
  return result;
}

题

这会捕获所有无效（非utf编码）字符吗？你们中有谁有更好（更轻松）的解决方案？

注意： 我用以下代码检查了URLDecoder

final String[] test = new String[]{
  "v=abc%E4def",
  "v=abc%C3%A4def"
};
for ( int i = 0 , n = test.length ; i < n ; i++ ) {
    System.out.println( java.net.URLDecoder.decode(test[i],"UTF-8") );
    System.out.println( java.net.URLDecoder.decode(test[i],"ISO-8859-1") );
}

打印：

v=abc?def
v=abcädef
v=abcädef
v=abcädef

并且 不会 抛出IllegalArgumentException 叹气

Answer 1

我问了同样的问题，

在Tomcat上处理URI中的字符编码

我最近找到了一个解决方案，对我来说效果很好。您可能需要尝试一下。这是您需要做的，

1. 将您的URI编码保留为Latin-1。在Tomcat上，将URIEncoding =“ ISO-8859-1”添加到server.xml中的连接器。
2. 如果必须手动进行URL解码，也可以将Latin1用作字符集。
3. 使用fixEncoding（）函数修正编码。

例如，要从查询字符串获取参数，

  String name = fixEncoding(request.getParameter("name"));

您可以始终这样做。正确编码的字符串不会更改。

该代码已附加。祝好运！

 public static String fixEncoding(String latin1) {
  try {
   byte[] bytes = latin1.getBytes("ISO-8859-1");
   if (!validUTF8(bytes))
    return latin1;   
   return new String(bytes, "UTF-8");  
  } catch (UnsupportedEncodingException e) {
   // Impossible, throw unchecked
   throw new IllegalStateException("No Latin1 or UTF-8: " + e.getMessage());
  }

 }

 public static boolean validUTF8(byte[] input) {
  int i = 0;
  // Check for BOM
  if (input.length >= 3 && (input[0] & 0xFF) == 0xEF
    && (input[1] & 0xFF) == 0xBB & (input[2] & 0xFF) == 0xBF) {
   i = 3;
  }

  int end;
  for (int j = input.length; i < j; ++i) {
   int octet = input[i];
   if ((octet & 0x80) == 0) {
    continue; // ASCII
   }

   // Check for UTF-8 leading byte
   if ((octet & 0xE0) == 0xC0) {
    end = i + 1;
   } else if ((octet & 0xF0) == 0xE0) {
    end = i + 2;
   } else if ((octet & 0xF8) == 0xF0) {
    end = i + 3;
   } else {
    // Java only supports BMP so 3 is max
    return false;
   }

   while (i < end) {
    i++;
    octet = input[i];
    if ((octet & 0xC0) != 0x80) {
     // Not a valid trailing byte
     return false;
    }
   }
  }
  return true;
 }

编辑：您的方法由于各种原因而行不通。当出现编码错误时，您不能指望从Tomcat获得的内容。有时你会得到``？’‘？有时候，您什么也得不到，getParameter（）返回null。假设您可以检查“？”，那么查询字符串包含有效的“？”会发生什么情况？？

此外，您不应拒绝任何请求。这不是您用户的错。正如我在原始问题中提到的那样，浏览器可以使用UTF-8或Latin-1编码URL。用户无法控制。您需要接受两者。将您的servlet更改为Latin-1会保留所有字符，即使它们是错误的也是如此，从而使我们有机会对其进行修复或丢弃。

我在这里发布的解决方案并不完美，但这是迄今为止我们发现的最好的解决方案。