使用启发式方法修复错误编码文本的 Java 库

Question

我正在处理一个外部 Web 服务，它给我错误编码（和或损坏）的字符串 (UTF-8)，这些字符串很可能是 ISO LATIN 或 WINDOWS-1252，但现在是 UTF-8（和或ISO/WINDOWS/UTF-8 的混合物）。可爱的 A 帽子 (Â) 比比皆是。

我显然无法修复外部 Web 服务如何存储其字符串，从而导致信息丢失。因此，我所知道的 100% 翻译的希望是不可能的。

但我希望有人用 Java 编写了一个启发式字符映射库（不太可能有人会键入 A 帽子）。

如果不是我想我可以移植这些家伙的 PHP 代码：https://stackoverflow.com/a/3521340/318174

更新和解释： 像@VGR 这样的简单转换将不起作用。我没有原始字节。数据在端点转换不正确（SOAP 服务器可能getBytes(/*with out correct encoding*/) 已完成，或者数据可能以不正确的格式存储）。当您在 Java 中将字节转换为字符串时，除非编码在任何地方都相同，否则不会保留数据。如果您想到ASCII UTF-8 之类的东西，这很容易理解。使用Windows-1252 或ISO Latin 会更复杂，因为数据不会丢失但经常混淆。那是因为这些编码可以是两个字节，而不是UTF-8 的子集。

如果您不相信我，您可以尝试使用各种编码来回执行getBytes()，并且会看到数据损坏和数据丢失。

Answer 1

我可能误解了错误编码数据的性质，但 PHP 代码对我来说似乎有点矫枉过正。如果您有作为单个字符传递的 UTF-8 字节，您应该可以这样做：

String fix(String s) {
    byte[] bytes = s.getBytes(Charset.forName("windows-1252"));
    return new String(bytes, StandardCharsets.UTF_8);
}