从 Java 中的字符串中过滤非 MySQL Latin1 字符

Question

我有一个使用 latin1 的 MySQL table，不幸的是我无法更改它。

在将字符串插入此 table 之前，我想检查字符串是否包含不属于 latin1 字符集的字符。这样我就可以将它从我的数据集中删除。

我该怎么做？

例如

boolean hasNonLatin1Chars = string.chars()
                .anyMatch(c -> ...)

Answer 1

Basic Latin range 是 0020–007F，因此您可以检查尝试替换非拉丁字符的第一个实例是否与原始 String:

匹配

boolean hasNonLatin1Chars = string.equals((string.replaceFirst("[^\u0020-\u007F]", "")));

如果包含非拉丁字符，这将 return false。

有 Latin-1 Supplement (00A0 — 00FF)、Latin Extended-A (0100 — 017F) 和 Latin Extended-B (0180 — 024F)，因此您可以根据需要修改范围.

Answer 2

为了保持简单和健壮，请利用 CharsetEncoder :

/** replaces any invalid character in Latin1 by the character rep */
public static String latin1(String str, char rep) {
    CharsetEncoder cs = StandardCharsets.ISO_8859_1.newEncoder()
            .onMalformedInput(CodingErrorAction.REPLACE)
            .onUnmappableCharacter(CodingErrorAction.REPLACE)
            .replaceWith(new byte[] { (byte) rep });
    try {
        ByteBuffer b = cs.encode(CharBuffer.wrap(str));
        return new String(b.array(), StandardCharsets.ISO_8859_1);
    } catch (CharacterCodingException e) {
        throw new RuntimeException(e); // should not happen
    }
}

这将用替换字符 rep（当然应该是有效的 Latin1 字符）替换 ISO_8859_1（= Latin1）中的每个无效字符集。

如果您可以接受默认替换 ('?')，您可以使其更简单：

public static String latin1(String str) {
    return new String(str.getBytes(StandardCharsets.ISO_8859_1),
          StandardCharsets.ISO_8859_1);
}

例如：

public static void main(String[] args)  {
    String x = "hi Œmar!";
    System.out.println("'" + x + "' -> '" + latin1(x,'?') + "'");
}

输出'hi Œmar!' -> 'hi ?mar!'

这种方法的一个可能缺点是，它只允许您用单个替换字符替换每个无效字符 - 您不能删除它或使用多字符序列。如果你想要这个，并且有理由确定某个字符永远不会出现在你的字符串中，你可以使用通常的肮脏技巧 - 例如，假设 \u0000 永远不会出现：

/* removes invalid Latin1 charaters - assumes the zero character never appears */
public static String latin1removeinvalid(String str) {
    return latin1(str,(char)0).replace("\u0000", "");
}

补充：如果你只想检查有效性，那就更简单了：

public static boolean isValidLatin1(String str) {
    return StandardCharsets.ISO_8859_1.newEncoder().canEncode(str);
}

Answer 3

如果你的源数据一直是UTF8，那就这么说。然后你就两全其美了——音译为 latin1 的 UTF8 字符将被更改；那些没有的将以“？”的形式出现。

在 getConnection() 调用中使用它：

?useUnicode=yes&characterEncoding=UTF-8

不测试不良字符，不在代码中进行转换。 MySQL 自动完成所有工作。

从 Java 中的字符串中过滤非 MySQL Latin1 字符

Filtering non MySQL Latin1 Characters from a String in Java

java

mysql

utf-8

iso-8859-1