清理格式错误的 UTF-8 数据

Question

背景

使用 Swift，我尝试通过 URLSession 获取 HTML，而不是先将其加载到 WKWebView，因为我只需要 HTML 而不需要任何子资源。我遇到了某些页面在加载到WKWebView 时可以工作的问题，但是当通过URLSession（甚至是简单的NSString(contentsOf: url, encoding String.Encoding.utf8.rawValue)）加载时，UTF-8 转换失败。

如何重现

这失败了（打印“nil”）：

print(try? NSString(contentsOf: URL(string: "http://www.huffingtonpost.jp/techcrunch-japan/amazon-is-gobbling-whole-foods-for-a-reported-13-7-billion_b_17171132.html?utm_hp_ref=japan&ir=Japan")!, encoding: String.Encoding.utf8.rawValue))

但是把网址改成网站首页，就成功了：

print(try? NSString(contentsOf: URL(string: "http://www.huffingtonpost.jp")!, encoding: String.Encoding.utf8.rawValue))

问题

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，以便可以查看其余部分。 WKWebView 能够很好地呈现页面（并声称它也是 UTF-8 内容），您可以通过访问 URL 看到：http://www.huffingtonpost.jp/techcrunch-japan/amazon-is-gobbling-whole-foods-for-a-reported-13-7-billion_b_17171132.html?utm_hp_ref=japan&ir=Japan

Answer 1

这是一种从（可能）格式错误创建String 的方法 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。此初始化程序将格式错误的 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。

“清洗”过程示例：

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

斯威夫特 5：

var data = Data([65, 66, 200, 67]) // malformed UTF-8
data.append(0)
let s = data.withUnsafeBytes { p in
    String(cString: p.bindMemory(to: CChar.self).baseAddress!)
}
let clean = s.replacingOccurrences(of: "\u{FFFD}", with: "")
print(clean) // ABC

当然这可以定义为自定义的init方法：

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: "")
        }
    }
}

斯威夫特 5：

extension String {
    init(malformedUTF8 data: Data) {
        var data = data
        data.append(0)
        self = data.withUnsafeBytes{ p in
            String(cString: p.bindMemory(to: CChar.self).baseAddress!)
        }.replacingOccurrences(of: "\u{FFFD}", with: "")
    }
}

用法：

let data = Data(bytes: [65, 66, 200, 67])
let s = String(malformedUTF8: data) 
print(s) // ABC

使用transcode 可以更“直接”地进行清理

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)
    }
}

这本质上就是String(cString:) 做，比较 CString.swift 和 StringCreate.swift.

另一个选择是使用UTF8编解码器decode()方法 并忽略错误：

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
    }
}