Cleaning malformed UTF-8 data
使用Swift,我尝试通过
失败(打印"nil"):
但是,将网址更改为网站主页,会成功:
如何"清理"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,以便可以查看其余的序列。wkwebview可以很好地呈现页面(也声称它是utf-8内容),如您所见,访问网址:http://www.huffingtonpost.jp/techcrunch-japan/amazon-is-gobbling-whole-foods-for-a-reported-13-7-billion-b_.html?utm_hp_ref=日本&ir=日本
这里有一种方法可以从(可能)畸形的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。此初始值设定项将格式错误的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"流程示例:
1 2 3 4 5 6 7 | 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 |
当然,这可以定义为自定义init方法:
1 2 3 4 5 6 7 8 9 | 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:"") } } } |
用途:
1 2 3 | let data = Data(bytes: [65, 66, 200, 67]) let s = String(malformedUTF8: data) print(s) // ABC |
使用
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 | 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) } } |
这基本上就是
另一种选择是使用
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 | 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 } } |