Как заменить/удалить 4 (+) - байтовые символы из строки UTF-8 в Java?

Поскольку MySQL 5.1 не поддерживает 4 байтовые последовательности UTF-8, мне нужно заменить/удалить 4 байтовых последовательности в этих строках.

Я ищу чистый способ заменить эти символы.

Библиотеки Apache заменяют символы вопросительным знаком в этом случае, хотя эквивалент ASCII будет приятнее, конечно.

N.B. Вход осуществляется из внешних источников (имена электронной почты), и обновление базы данных не является решением на данный момент.

Ответы

Ответ 1

В результате мы решили реализовать следующий метод в Java для этой проблемы. Basicaly заменяет символы более высоким кодовым числом, а затем последним 3-байтовым UTF-8 char.

Расчеты смещения заключаются в том, чтобы оставаться в кодовых точках Юникода.

public static final String LAST_3_BYTE_UTF_CHAR = "\uFFFF";
public static final String REPLACEMENT_CHAR = "\uFFFD"; 

public static String toValid3ByteUTF8String(String s)  {
    final int length = s.length();
    StringBuilder b = new StringBuilder(length);
    for (int offset = 0; offset < length; ) {
       final int codepoint = s.codePointAt(offset);

       // do something with the codepoint
       if (codepoint > CharUtils.LAST_3_BYTE_UTF_CHAR.codePointAt(0)) {
           b.append(CharUtils.REPLACEMENT_CHAR);
       } else {
           if (Character.isValidCodePoint(codepoint)) {
               b.appendCodePoint(codepoint);
           } else {
               b.append(CharUtils.REPLACEMENT_CHAR);
           }
       }
       offset += Character.charCount(codepoint);
    }
    return b.toString();
}

Ответ 2

Еще одно простое решение - использовать регулярное выражение [^\u0000-\uFFFF]. Например, в java:

text.replaceAll("[^\\u0000-\\uFFFF]", "\uFFFD");

Ответ 3

5 байтовых последовательностей utf-8 начинаются с 111110xx-байтовых и 6-байтовых последовательностей utf-8, начиная с 1111110x-байта. Важно отметить, что никакие последующие байты 1-4-байтных последовательностей utf-8 содержат байты, большие, поскольку последующие байты всегда имеют форму 10xxxxxx.

Поэтому вы можете просто пройти через байты, и каждый раз, когда вы видите байта вида 111110xx, тогда выдается только "?" в выходной поток/массив, пропуская следующие 4 байта от входа; аналог для 6-байтовых последовательностей.