Java解碼雙編碼utf-8字符

Question

我正在解析一個 websocket 消息，並且由於在特定的 socket.io 版本中做了一個錯誤（不幸的是我無法控制服務器端），一些有效負載被雙重編碼為​​ utf-8：

正確的值應該是Wrocławskiej （注意 l 字母，它是帶有中風的拉丁文小寫字母 L）但我實際上得到了WrocÅawskiej 。

我已經嘗試用 java 再次解碼/編碼它

String str = new String(wrongEncoded.getBytes(StandardCharsets.UTF_8), StandardCharsets.UTF_8);

不幸的是，字符串保持不變。 關於如何在 Java 中進行雙重解碼的任何想法？ 我看到了一個 python 版本，他們首先將它轉換為raw_unicode然后再次解析它，但我不知道這是否有效，或者是否有類似的 Java 解決方案。 我已經閱讀了有關該主題的幾篇文章，但沒有任何幫助。

編輯：為了在 Fiddler 中澄清，我收到上面提到的單詞的以下字節序列：

WrocÃÂawskiej

byte[] arrOutput = { 0x57, 0x72, 0x6F, 0x63, 0xC3, 0x85, 0xC2, 0x82, 0x61, 0x77, 0x73, 0x6B, 0x69, 0x65, 0x6A };

Answer 1

您的文本編碼為 UTF-8，然后這些字節被解釋為 ISO-8859-1 並重新編碼為 UTF-8。

Wrocławskiej是 Unicode：0057 0072 006f 0063 0142 0061 0077 0073 006b 0069 0065 006a
編碼為 UTF-8 是： 57 72 6f 63 c5 82 61 77 73 6b 69 65 6a

在ISO-8859-1 中， c5是Å ， 82是未定義的。
作為 ISO-8859-1，這些字節是： WrocÅawskiej
編碼為 UTF-8 是： 57 72 6f 63 c3 85 c2 82 61 77 73 6b 69 65 6a
這些可能是您正在接收的字節。

因此，要撤消該操作，您需要：

String s = new String(bytes, StandardCharsets.UTF_8);

// fix "double encoding"
s = new String(s.getBytes(StandardCharsets.ISO_8859_1), StandardCharsets.UTF_8);

Answer 2

我遇到的問題是有時我收到雙重編碼的字符串，有時收到正確的編碼字符串。 以下方法 fixDoubleUTF8Encoding 將正確處理兩者：

public static void main(String[] args) {
  String input = "werewräüèö";
  String result = fixDoubleUTF8Encoding(input);
  System.out.println(result); // werewräüèö
  
  input = "üäöé";
  result = fixDoubleUTF8Encoding(input);
  System.out.println(result); // üäöé
}

private static String fixDoubleUTF8Encoding(String s) {
  // interpret the string as UTF_8
  byte[] bytes = s.getBytes(StandardCharsets.UTF_8);
  // now check if the bytes contain 0x83 0xC2, meaning double encoded garbage
  if(isDoubleEncoded(bytes)) {
    // if so, lets fix the string by assuming it is ASCII extended and recode it once
    s = new String(s.getBytes(StandardCharsets.ISO_8859_1), StandardCharsets.UTF_8);            
  }
  return s;
}

private static boolean isDoubleEncoded(byte[] bytes) {
  for (int i = 0; i < bytes.length; i++) {
    if(bytes[i] == -125 && i+1 < bytes.length && bytes[i+1] == -62) {
      return true;
    }
  }
  return false;
}

Answer 3

好吧，雙重編碼可能不是唯一需要處理的問題。 這是一個解決方案，其原因不止一個

String myString = "heartbroken ð";
                myString = new String(myString.getBytes(StandardCharsets.ISO_8859_1), StandardCharsets.UTF_8);
                String cleanedText = StringEscapeUtils.unescapeJava(myString);
                byte[] bytes = cleanedText.getBytes(StandardCharsets.UTF_8);
                String text = new String(bytes, StandardCharsets.UTF_8);
                Charset charset = Charset.forName("UTF-8");
                CharsetDecoder decoder = charset.newDecoder();
                decoder.onMalformedInput(CodingErrorAction.IGNORE);
                decoder.onUnmappableCharacter(CodingErrorAction.IGNORE);
                CharsetEncoder encoder = charset.newEncoder();
                encoder.onMalformedInput(CodingErrorAction.IGNORE);
                encoder.onUnmappableCharacter(CodingErrorAction.IGNORE);
                try {
                    // The new ByteBuffer is ready to be read.
                    ByteBuffer bbuf = encoder.encode(CharBuffer.wrap(text));
                    // The new ByteBuffer is ready to be read.
                    CharBuffer cbuf = decoder.decode(bbuf);
                    String str = cbuf.toString();
                } catch (CharacterCodingException e) {
                    logger.error("Error Message if you want to");

                } 

一