Hur tar man bort dåliga tecken som inte är lämpliga för utf8-kodning i MySQL?

När jag hade problem som detta använde jag Perl-skript för att säkerställa att data konverteras till giltig UTF-8 genom att använda kod så här:

use Encode;
binmode(STDOUT, ":utf8");
while (<>) {
    print Encode::decode('UTF-8', $_);
}

Detta skript tar (möjligen skadad) UTF-8 på stdin och skriver om giltig UTF-8 till stdout . Ogiltiga tecken ersätts med � (U+FFFD , Unicode-ersättningstecken ).

Om du kör det här skriptet på bra UTF-8-indata bör utdata vara identiskt med indata.

Om du har data i databasen är det vettigt att använda DBI för att skanna dina tabeller och skrubba all data med detta tillvägagångssätt för att säkerställa att allt är giltigt UTF-8.

Detta är Perl one-liner version av samma skript:

perl -MEncode -e "binmode STDOUT,':utf8';while(<>){print Encode::decode 'UTF-8',\$_}" < bad.txt > good.txt

EDIT:Lade till enbart Java-lösning .

Detta är ett exempel på hur man gör detta i 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
    }
}