【Java】如何检测、替换4个字节的utf-8编码(此范围编码包含emoji表情)
> 参考的优秀文章
3、【异常处理】Incorrect string value: '\xF0\x90\x8D\x83...' for column... Emoji表情字符过滤的Java实现
4、Why a surrogate java regexp finds hypen-minus
> 如何检测、替换4个字节的utf-8编码(此范围编码包含emoji)
项目有个需求,是保存从手机端H5页面提交的信息。
大家知道,手机端输入法中经常有自带的表情,其中emoji表情非常流行,如果用户输入emoji表情,由于有部分emoji表情是4个字节的utf-8编码,我们的MySQL数据库在现有版本和编码设置下只能保存3个字节的utf-8编码(如要保存4个字节的utf-8编码则需升级版本和设置另一种编码)。相关信息可见文章《十分钟搞清字符集和字符编码》。
我们的需求不需要支持emoji表情,如果遇到emoji弹出提示或过滤即可。
通过浏览《【异常处理】Incorrect string value: '\xF0\x90\x8D\x83...' for column... Emoji表情字符过滤的Java实现》和《Why a surrogate java regexp finds hypen-minus》,我们得知通过以下代码进行替换:
msg.replaceAll("[\\ud800\\udc00-\\udbff\\udfff\\ud800-\\udfff]", "");
效果是OK的。
但是,由于能力原因,始终没能理解上述代码十六进制正则表达式的原理,自己写了一端代码来检测、替换4个字节的utf-8编码(但未能经过完整测试,仅用于描述大概思路)。
其中UTF-8编码规则阅读自《十分钟搞清字符集和字符编码》,字节与十六进制的转换参考自《Java中byte与16进制字符串的互相转换》。
package com.nicchagil.tc.emojifilter; import java.util.Arrays;
import java.util.HashMap;
import java.util.Map; public class UTF8Utils { public static void main(String[] args) {
String s = "琥珀蜜蜡由于硬度很低,打磨起来非123常简单,需要的工具也非常简单,自己去买蜜蜡是非常不划算的,完全可以自己磨蜜蜡原石的样子";
System.out.println(UTF8Utils.bytesToHex(s.getBytes()));
System.out.println(UTF8Utils.bytesToHex(UTF8Utils.remove4BytesUTF8Char(s)));
} public static Map<String, Integer> hexMap = new HashMap<String, Integer>();
public static Map<String, Integer> byteMap = new HashMap<String, Integer>(); static {
hexMap.put("0", 2);
hexMap.put("1", 2);
hexMap.put("2", 2);
hexMap.put("3", 2);
hexMap.put("4", 2);
hexMap.put("5", 2);
hexMap.put("6", 2);
hexMap.put("7", 2);
hexMap.put("c", 4);
hexMap.put("d", 4);
hexMap.put("e", 6);
hexMap.put("f", 8); byteMap.put("0", 1);
byteMap.put("1", 1);
byteMap.put("2", 1);
byteMap.put("3", 1);
byteMap.put("4", 1);
byteMap.put("5", 1);
byteMap.put("6", 1);
byteMap.put("7", 1);
byteMap.put("c", 2);
byteMap.put("d", 2);
byteMap.put("e", 3);
byteMap.put("f", 4);
} /**
* 是否包含4字节UTF-8编码的字符(先转换16进制再判断)
* @param s 字符串
* @return 是否包含4字节UTF-8编码的字符
*/
public static boolean contains4BytesChar(String s) {
if (s == null || s.trim().length() == 0) {
return false;
} String hex = UTF8Utils.bytesToHex(s.getBytes());
System.out.println("full hex : " + hex); String firstChar = null;
while (hex != null && hex.length() > 1) {
firstChar = hex.substring(0, 1);
System.out.println("firstChar : " + firstChar); if ("f".equals(firstChar)) {
System.out.println("it is f start, it is 4 bytes, return.");
return true;
} if (hexMap.get(firstChar) == null) {
System.out.println("it is f start, it is 4 bytes, return.");
// todo, throw exception for this case
return false;
} hex = hex.substring(hexMap.get(firstChar), hex.length());
System.out.println("remain hex : " + hex);
} return false;
} /**
* 是否包含4字节UTF-8编码的字符
* @param s 字符串
* @return 是否包含4字节UTF-8编码的字符
*/
public static boolean contains4BytesChar2(String s) {
if (s == null || s.trim().length() == 0) {
return false;
} byte[] bytes = s.getBytes(); if (bytes == null || bytes.length == 0) {
return false;
} int index = 0;
byte b;
String hex = null;
String firstChar = null;
int step;
while (index <= bytes.length - 1) {
System.out.println("while loop, index : " + index);
b = bytes[index]; hex = byteToHex(b);
if (hex == null || hex.length() < 2) {
System.out.println("fail to check whether contains 4 bytes char(1 byte hex char too short), default return false.");
// todo, throw exception for this case
return false;
} firstChar = hex.substring(0, 1); if (firstChar.equals("f")) {
return true;
} if (byteMap.get(firstChar) == null) {
System.out.println("fail to check whether contains 4 bytes char(no firstchar mapping), default return false.");
// todo, throw exception for this case
return false;
} step = byteMap.get(firstChar);
System.out.println("while loop, index : " + index + ", step : " + step);
index = index + step;
} return false;
} /**
* 去除4字节UTF-8编码的字符
* @param s 字符串
* @return 已去除4字节UTF-8编码的字符
*/
public static byte[] remove4BytesUTF8Char(String s) {
byte[] bytes = s.getBytes();
byte[] removedBytes = new byte[bytes.length];
int index = 0; String hex = null;
String firstChar = null;
for (int i = 0; i < bytes.length; ) {
hex = UTF8Utils.byteToHex(bytes[i]); if (hex == null || hex.length() < 2) {
System.out.println("fail to check whether contains 4 bytes char(1 byte hex char too short), default return false.");
// todo, throw exception for this case
return null;
} firstChar = hex.substring(0, 1); if (byteMap.get(firstChar) == null) {
System.out.println("fail to check whether contains 4 bytes char(no firstchar mapping), default return false.");
// todo, throw exception for this case
return null;
} if (firstChar.equals("f")) {
for (int j = 0; j < byteMap.get(firstChar); j++) {
i++;
}
continue;
} for (int j = 0; j < byteMap.get(firstChar); j++) {
removedBytes[index++] = bytes[i++];
}
} return Arrays.copyOfRange(removedBytes, 0, index);
} /**
* 将字符串的16进制转换为HEX,并按每个字符的16进制分隔格式化
* @param s 字符串
*/
public static String splitForReading(String s) {
if (s == null || s.trim().length() == 0) {
return "";
} String hex = UTF8Utils.bytesToHex(s.getBytes());
System.out.println("full hex : " + hex); if (hex == null || hex.length() == 0) {
System.out.println("fail to translate the bytes to hex.");
// todo, throw exception for this case
return "";
} StringBuilder sb = new StringBuilder();
int index = 0; String firstChar = null;
String splittedString = null;
while (index < hex.length()) {
firstChar = hex.substring(index, index + 1); if (hexMap.get(firstChar) == null) {
System.out.println("fail to check whether contains 4 bytes char(no firstchar mapping), default return false.");
// todo, throw exception for this case
return "";
} splittedString = hex.substring(index, index + hexMap.get(firstChar));
sb.append(splittedString).append(" ");
index = index + hexMap.get(firstChar);
} System.out.println("formated sb : " + sb);
return sb.toString();
} /**
* 字节数组转十六进制
* @param bytes 字节数组
* @return 十六进制
*/
public static String bytesToHex(byte[] bytes) {
if (bytes == null || bytes.length == 0) {
return null;
} StringBuilder sb = new StringBuilder();
for (int i = 0; i < bytes.length; i++) {
int r = bytes[i] & 0xFF; String hexResult = Integer.toHexString(r);
if (hexResult.length() < 2) {
sb.append(0); // 前补0
}
sb.append(hexResult);
} return sb.toString();
} /**
* 字节转十六进制
* @param b 字节
* @return 十六进制
*/
public static String byteToHex(byte b) {
int r = b & 0xFF;
String hexResult = Integer.toHexString(r); StringBuilder sb = new StringBuilder();
if (hexResult.length() < 2) {
sb.append(0); // 前补0
}
sb.append(hexResult);
return sb.toString();
} }
在随便看下各种字符的UTF-8编码是什么:
package com.nicchagil.tc.emojifilter; public class UTF8HexTester { public static void main(String[] args) {
String s = "1";
System.out.println("the hex of “" + s + "” : " + UTF8Utils.bytesToHex(s.getBytes())); s = "a";
System.out.println("the hex of “" + s + "” : " + UTF8Utils.bytesToHex(s.getBytes())); s = "我";
System.out.println("the hex of “" + s + "” : " + UTF8Utils.bytesToHex(s.getBytes())); s = "我很帅";
System.out.println("the hex of “" + s + "” : " + UTF8Utils.bytesToHex(s.getBytes()));
} }
日志:
the hex of “1” : 31
the hex of “a” : 61
the hex of “我” : e68891
the hex of “我很帅” : e68891e5be88e5b885
> 搭建一个测试渠道来测试
由于emoji表情在PC不易输入,最好的输入途径始终在手机上,那么我们搭一个简单的web程序来接收emoji表情吧~
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>Emoji</title>
</head>
<script type="text/javascript" src="https://code.jquery.com/jquery-1.12.3.min.js"></script>
<body> <form id="myform" action="http://192.168.1.3:8080/emoji/EmojiFilterServlet" > Input parameter :
<input type='text' name='msg' />
<br/> <input type='button' value=' ajax submit ' onclick="save();" />
<input type='submit' value=' form submit ' />
</form> </body> <script type="text/javascript"> function save() {
// alert('start save...');
var data = $('#myform').serialize();
// alert(data); $.ajax({
type : "POST",
url : "http://192.168.1.3:8080/emoji/EmojiFilterServlet",
data : data,
success : function(d) {
alert(d);
}
});
} </script> </html>
package com.nicchagil.tc.emojifilter; import java.io.IOException;
import java.nio.charset.Charset; import javax.servlet.ServletException;
import javax.servlet.http.HttpServlet;
import javax.servlet.http.HttpServletRequest;
import javax.servlet.http.HttpServletResponse; /**
* Servlet implementation class EmojiFilterServlet
*/
public class EmojiFilterServlet extends HttpServlet {
private static final long serialVersionUID = 1L; /**
* @see HttpServlet#HttpServlet()
*/
public EmojiFilterServlet() {
super();
// TODO Auto-generated constructor stub
} /**
* @see HttpServlet#doGet(HttpServletRequest request, HttpServletResponse response)
*/
protected void doGet(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException {
this.doPost(request, response);
} /**
* @see HttpServlet#doPost(HttpServletRequest request, HttpServletResponse response)
*/
protected void doPost(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException {
String msg = request.getParameter("msg");
System.out.println("msg -> " + msg);
} }
【Java】如何检测、替换4个字节的utf-8编码(此范围编码包含emoji表情)的更多相关文章
- Java静态检测工具/Java代码规范和质量检查简单介绍(转)
静态检查: 静态测试包括代码检查.静态结构分析.代码质量度量等.它可以由人工进行,充分发挥人的逻辑思维优势,也可以借助软件工具自动进行.代码检查代码检查包括代码走查.桌面检查.代码审查等,主要检查代码 ...
- Java安全之动态加载字节码
Java字节码 简单说,Java字节码就是.class后缀的文件,里面存放Java虚拟机执行的指令. 由于Java是一门跨平台的编译型语言,所以可以适用于不同平台,不同CPU的计算机,开发者只需要将自 ...
- [Java] - 格式字符串替换方法
Java 字符串格式替换方法有两种,一种是使用String.format(...),另一种是使用MessageFormat.format(...) 如下: import java.text.Messa ...
- Java的IO操作中有面向字节(Byte)和面向字符(Character)两种方式
解析:Java的IO操作中有面向字节(Byte)和面向字符(Character)两种方式.面向字节的操作为以8位为单位对二进制的数据进行操作,对数据不进行转换,这些类都是InputStream和Out ...
- Java 敏感词过滤,Java 敏感词替换,Java 敏感词工具类
Java 敏感词过滤,Java 敏感词替换,Java 敏感词工具类 =========================== ©Copyright 蕃薯耀 2017年9月25日 http://www ...
- Java基础-IO流对象之字节缓冲流(BufferedOutputStream与BufferedInputStream)
Java基础-IO流对象之字节缓冲流(BufferedOutputStream与BufferedInputStream) 作者:尹正杰 版权声明:原创作品,谢绝转载!否则将追究法律责任. 在我们学习字 ...
- Java-Runoob-高级教程-实例-字符串:04. Java 实例 - 字符串替换
ylbtech-Java-Runoob-高级教程-实例-字符串:04. Java 实例 - 字符串替换 1.返回顶部 1. Java 实例 - 字符串替换 Java 实例 如何使用java替换字符串 ...
- 关于java中char占几个字节,汉字占几个字节
我们平常说,java中char占2个字节,可又说汉字在不通的编码格式中所占的位数是不同的,比如gbk中汉字占2个字节,utf8中多数占3个字节,少数占4个.而所有汉字在java程序中我们都可以简单的用 ...
- Java一个汉字占几个字节(详解与原理)
1.先说重点: 不同的编码格式占字节数是不同的,UTF-8编码下一个中文所占字节也是不确定的,可能是2个.3个.4个字节: 2.以下是源码: @Test public void test1() thr ...
随机推荐
- 1009: 恺撒Caesar密码
1009: 恺撒Caesar密码 时间限制: 10 Sec 内存限制: 128 MB提交: 349 解决: 215[提交][状态][讨论版] 题目描述 Julius Caesar 生活在充满危险和 ...
- 夺命雷公狗---DEDECMS----16dedecms取出首页今日更新
我们这次就要来取出我们的电影和电视剧以及综艺节目: 我们首先在我们受页面的模版文件中获取电影和电视剧的标签: 我们发现这里有一大堆,我只留一个即可: 然后我们到后台更新下首页的模版,看下是否只有一个模 ...
- 夺命雷公狗---DEDECMS----15dedecms首页栏目列表页导航部分完成
我们在点击导航页面的连接时候我们需要我们的连接跳到指定的模版页面,而不是随便跳到一个指定的A连接标签: 所以我们首先要将前端给我们的栏目列表模版拷贝到目录下,然后就可以创建栏目列表页面了,但是名字我们 ...
- 转一篇 adaboost 的好文 AdaBoost简介及训练误差分析
AdaBoost简介及训练误差分析 http://wenku.baidu.com/link?url=y9Q2qjrJr6IShyY5EQEmvkPZmmP4t3HOdHUgMWaIffI9W0uzTr ...
- jquery tab键转换
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/ ...
- wc移植sae笔记
1.wc移植到sae---上传图片 ①先看profile.ptl.html中的ajax代码修改functions.js中G_BASE_URL的值.在这里我先写死成->'http://2.idan ...
- OpenStack 界面开发中的排序问题
Contents [hide] 1 需求 2 调研 3 排序的办法 4 解决代码 需求 获取主机列表的时候,希望能够对主机列表能分组显示,比如网络,一组网络段希望在一起显示 调研 openstack的 ...
- Oracle的导入导出
写批处理文件的基础知识 http://blog.chinaunix.net/uid-20672257-id-3056546.html http://wenku.baidu.com/view/db9c5 ...
- Android多线程通信之Handler
主线程 public class MainActivity extends ActionBarActivity { private Handler handler; // private Thread ...
- 批处理命令——echo 和 @
[1]echo 命令简介 echo 命令的常见用法(必须掌握)分为以下几种情况: 一.无参数 作用:显示当前echo的状态:处于打开或关闭状态. 新建一个文本文件,命名为echo,修改类型为bat,用 ...