在 Scala 问题中解码带有转义特殊字符的字符串

Question

我有一个多行 JSON 文件，其中的记录包含编码为十六进制的特殊字符。这是单个 JSON 记录的示例：

{\x22value\x22:\x22\xC4\xB1arines Bint\xC4\xB1\xC3\xA7 Ramu\xC3\xA7lar\x22}

这条记录应该是 {"value":"ıarines Bintıç Ramuçlar"} ，例如'"' 字符替换为相应的十六进制 \x22，其他特殊 Unicode 字符替换为一个或两个十六进制（例如 \xC3\xA7 编码 ç 等）

我需要在 Scala 中将类似的字符串转换为常规的 Unicode 字符串，因此在打印时它生成 {"value":"ıarines Bintıç Ramuçlar"} 没有十六进制。

在Python我可以用一行代码轻松解码这些记录：

>>> a = "{\x22value\x22:\x22\xC4\xB1arines Bint\xC4\xB1\xC3\xA7 Ramu\xC3\xA7lar\x22}"
>>> a.decode("utf-8")
u'{"value":"\u0131arines Bint\u0131\xe7 Ramu\xe7lar"}'
>>> print a.decode("utf-8")
{"value":"ıarines Bintıç Ramuçlar"}

但是在 Scala 中我找不到解码它的方法。我尝试像这样转换它但没有成功：

scala> val a = """{\x22value\x22:\x22\xC4\xB1arines Bint\xC4\xB1\xC3\xA7 Ramu\xC3\xA7lar\x22}"""
scala> print(new String(a.getBytes(), "UTF-8"))
{\x22value\x22:\x22\xC4\xB1arines Bint\xC4\xB1\xC3\xA7 Ramu\xC3\xA7lar\x22}

我也尝试了 URL解码器，因为我在类似问题的解决方案中找到了它（但使用 URL）：

scala> val a = """{\x22value\x22:\x22\xC4\xB1arines Bint\xC4\xB1\xC3\xA7 Ramu\xC3\xA7lar\x22}"""
scala> print(java.net.URLDecoder.decode(a.replace("\x", "%"), "UTF-8"))
{"value":"ıarines Bintıç Ramuçlar"}

它为这个例子产生了预期的结果，但对于通用文本字段似乎不安全，因为它设计用于 URLs 并且需要将所有 \x 替换为 %字符串。

Scala 有没有更好的方法来处理这个问题？

我是 Scala 的新手，非常感谢您的帮助

更新：我用 javax.xml.bind.DatatypeConverter.parseHexBinary 制作了一个自定义解决方案。它现在可以工作，但它看起来很麻烦而且一点也不优雅。我认为应该有更简单的方法来做到这一点。

代码如下：

import javax.xml.bind.DatatypeConverter
import scala.annotation.tailrec
import scala.util.matching.Regex

def decodeHexChars(string: String): String = {
  val regexHex: Regex = """\A\[xX]([0-9a-fA-F]{1,2})(.*)""".r
  def purgeBuffer(buffer: String, acc: List[Char]): List[Char] = {
    if (buffer.isEmpty) acc
    else new String(DatatypeConverter.parseHexBinary(buffer)).reverse.toList ::: acc
  }
  @tailrec
  def traverse(s: String, acc: List[Char], buffer: String): String = s match {
    case "" =>
      val accUpdated = purgeBuffer(buffer, acc)
      accUpdated.foldRight("")((str, b) => b + str)
    case regexHex(chars, suffix) =>
      traverse(suffix, acc, buffer + chars)
    case _ =>
      val accUpdated = purgeBuffer(buffer, acc)
      traverse(s.tail, s.head :: accUpdated, "")
  }
  traverse(string, Nil, "")
}

Answer 1

问题是编码确实特定于 python（我认为）。这样的事情可能会奏效：

val s = """{\x22value\x22:\x22\xC4\xB1arines Bint\xC4\xB1\xC3\xA7 Ramu\xC3\xA7lar\x22}"""

"""\x([A-F0-9]{2})""".r.replaceAllIn(s, (x: Regex.Match) => 
  new String(BigInt(x.group(1), 16).toByteArray, "UTF-8")
)

Answer 2

每个\x??编码一个字节，就像\x22编码"和\x5C编码\。但是在UTF-8中有些字符是使用多个字节编码的，所以你需要将\xC4\xB1转换为ı符号等等。

replaceAllIn 确实不错，但它可能会吃掉你的斜杠。因此，如果您不在替换字符串中使用组（如 </code>），建议使用 <code>quoteReplacement 转义 \ 和 $ 符号。

/** "22" -> 34, "AA" -> -86  */
def hex2byte(hex: String) = Integer.parseInt(hex, 16).toByte

/** decode strings like \x22 or \xC4\xB1\xC3\xA7 to specified encoding   */
def decodeHexadecimals(str: String, encoding: String="UTF-8") = 
  new String(str.split("""\x""").tail.map(hex2byte), encoding)

/** fix weird strings */
def replaceHexadecimals(str: String, encoding: String="UTF-8") = 
  """(\x[\dA-F]{2})+""".r.replaceAllIn(str, m => 
    util.matching.Regex.quoteReplacement(
      decodeHexadecimals(m.group(0), encoding)))

P.S。有谁知道java.util.regex.Matcher.quoteReplacement和scala.util.matching.Regex.quoteReplacement的区别吗？

在 Scala 问题中解码带有转义特殊字符的字符串

Decoding a String with escaped special characters in Scala issue

unicode

json

scala

character-encoding

non-ascii-characters