Unicode 字符错误的 java.net.URI 非标准编码

Question

以下代码行：

    URI url = new URI("http://host?xyz=abc%u021B");

给出错误：

java.net.URISyntaxException：索引 19 处的转义对格式错误： http://host?xyz=abc%u021B

原因是%u021B的存在，一个non-standard encoding for Unicode character

有没有标准的方法来处理这个问题？

Answer 1

有没有标准的方法来处理这个问题？

在RFC 3986 之后，这不是一个有效的 URI，正确的行为是拒绝它。

WHATWG living standard 提出了一种更稳健的按字面处理字符的行为：

否则，如果字节为 0x25 (%) 并且输入中字节之后的下两个字节不在 0x30 (0) 到 0x39 (9)、0x41 (A) 到 0x46 (F) 和 0x61 (a ) 到 0x66 (f)，全包，追加字节到输出。

由于这不适用，请按原样添加%，这意味着：

%u021B

被视为：

%25u021B

%uxxxx 编码方案在draft-duerst-iri 中指定。如果你想实现它，伪代码是：

1. 匹配%u([a-f0-9]{4})
2. 将十六进制数字解析为字节数组b
3. 拍下new String(b, UTF_16BE).getBytes(UTF_8)
4. 追加each byte in that result as %xx
5. 替换原来的%uxxxx匹配

Answer 2

你可以转换 "%u021B" -> "\\u021B"
然后使用 apache.commons.lang3.StringEscapeUtils 将其转换为 unicode

示例：

String str = "http://host?xyz=abc%u021B";

str = str.replaceAll("%u", "\\\\u");
str = StringEscapeUtils.unescapeJava(str);

URI uri = new URI(str);
System.out.println("It works!");
System.out.println(str.toString());

Answer 3

根据@Roy 的回答，此代码有效：

public static URI toUri(String uri) throws URISyntaxException {
    StringBuilder stringBuilder = new StringBuilder(uri);
    int index = stringBuilder.indexOf("%u");
    while (index > -1) {
        try {
            String substring = stringBuilder.substring(index, index + 6).replaceAll("%u", "\\\\u");
            String encoded = URLEncoder.encode(StringEscapeUtils.unescapeJava(substring), StandardCharsets.UTF_8);
            stringBuilder.replace(index, index + 6, encoded);
            index = stringBuilder.indexOf("%u", index + 6);
        } catch (Exception e) {
            throw new URISyntaxException(uri, e.getMessage());
        }
    }
    return new URI(stringBuilder.toString());
}

这个想法是用 unicode 字符 \uxxxx 的编码值替换每个组 %uxxxx。

这样http://host?xyz=abc%u021B 变成http://host?xyz=abc%C8%9B，最后一个是标准URI。