Quando tive problemas como esse, usei o script Perl para garantir que os dados fossem convertidos em UTF-8 válido usando um código como este:
use Encode;
binmode(STDOUT, ":utf8");
while (<>) {
print Encode::decode('UTF-8', $_);
}
Este script leva (possivelmente corrompido) UTF-8 em
stdin
e reimprime UTF-8 válido para stdout
. Caracteres inválidos são substituídos por �
(U+FFFD
, caractere de substituição Unicode
). Se você executar este script em uma boa entrada UTF-8, a saída deverá ser idêntica à entrada.
Se você tiver dados no banco de dados, faz sentido usar o DBI para verificar sua(s) tabela(s) e limpar todos os dados usando essa abordagem para garantir que tudo seja UTF-8 válido.
Esta é a versão Perl de uma linha deste mesmo script:
perl -MEncode -e "binmode STDOUT,':utf8';while(<>){print Encode::decode 'UTF-8',\$_}" < bad.txt > good.txt
EDIT:Adicionada solução somente Java .
Este é um exemplo de como fazer isso em 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
}
}