如何检查数字编码实体是否是有效的 ISO8859-1 编码？答案

【问题标题】：How to check whether a numeric encoded entity is a valid ISO8859-1 encoding?如何检查数字编码实体是否是有效的 ISO8859-1 编码？
【发布时间】：2021-11-23 07:30:20
【问题描述】：

假设我得到了随机字符引用，例如 &#12345;。我需要一个解决方案来检查这是否是有效的编码。

我想我可以使用 Charset 库，但我无法完全确定如何提出解决方案。

【问题讨论】：

标签： html kotlin character-encoding

【解决方案1】：

[此答案已在进一步研究后重写。]

使用Charsets 没有简单的答案；复杂的见下文。

使用字符代码有一些简单的答案，但事实证明这完全取决于您所说的 ISO8859-1 的含义！

根据the Wikipedia page on ISO/IEC 8859-1，字符集ISO8859-1只定义了字符32-126和160-255。所以你可以简单地检查这些范围，例如：

fun Char.isISO8859_1() = this.toInt() in 32..126 || this.toInt() in 160..255

但是，同一页面还提到了字符集 ISO-8859-1（注意额外的连字符），它定义了所有 8 位字符 (0–255)，将控制字符分配给额外的字符。你可以检查 that 例如：

fun Char.isISO_8859_1() = this.toInt() in 0..255

ISO8859-1 包括所有可打印 字符，因此如果您只想知道一个字符是否具有已定义的字形，则可以使用前者。然而，现在大多数人倾向于表示ISO-8859-1：这是许多网页使用的（那些还没有转向 UTF-8 的网页），这就是前 256 个 Unicode 字符的定义。所以后者可能会更普遍有用。

上述两种方法当然都非常简短、简单、高效；但它们只适用于一个字符集；当库类已经具有该信息时，它是字符集的尴尬硬编码细节。

Charset 对象似乎主要针对编码和解码，因此它们没有提供简单的方法来判断哪些字符是这样定义的。但是您可以找出它们是否可以对给定字符进行编码。这是我找到的最简单的方法：

fun Char.isIn(charset: Charset) =
    try {
        charset.newEncoder()
               .onUnmappableCharacter(CodingErrorAction.REPORT)
               .encode(CharBuffer.wrap(toString()))
        true
    } catch (x: CharacterCodingException) {
        false
    }

这确实效率低下，但适用于所有Charsets。

如果您尝试对ISO_8859_1 执行此操作，您会发现它可以编码所有 8 位值，即 0–255。所以它显然使用了完整的ISO-8859-1 定义。

【讨论】：