web-dev-qa-db-ja.com

無効なutf8文字列の例？

コードの一部が不良データをどのように処理するかをテストしていますが、UTF-8が無効な一連のバイトが必要です。

いくつか、理想的には、なぜそれらが悪いのか、どこで手に入れたのかの説明を投稿できますか？

unit-testingutf-8
89
twk

Markus KuhnのUTF-8デコーダー機能とストレステストファイル をご覧ください

孤独な開始バイト、継続バイトの欠落、長いシーケンスなど、多くのUTF-8の不規則性の例があります。

68
Nemanja Trifunovic

PHPの場合：

$examples = array(
    'Valid ASCII' => "a",
    'Valid 2 Octet Sequence' => "\xc3\xb1",
    'Invalid 2 Octet Sequence' => "\xc3\x28",
    'Invalid Sequence Identifier' => "\xa0\xa1",
    'Valid 3 Octet Sequence' => "\xe2\x82\xa1",
    'Invalid 3 Octet Sequence (in 2nd Octet)' => "\xe2\x28\xa1",
    'Invalid 3 Octet Sequence (in 3rd Octet)' => "\xe2\x82\x28",
    'Valid 4 Octet Sequence' => "\xf0\x90\x8c\xbc",
    'Invalid 4 Octet Sequence (in 2nd Octet)' => "\xf0\x28\x8c\xbc",
    'Invalid 4 Octet Sequence (in 3rd Octet)' => "\xf0\x90\x28\xbc",
    'Invalid 4 Octet Sequence (in 4th Octet)' => "\xf0\x28\x8c\x28",
    'Valid 5 Octet Sequence (but not Unicode!)' => "\xf8\xa1\xa1\xa1\xa1",
    'Valid 6 Octet Sequence (but not Unicode!)' => "\xfc\xa1\xa1\xa1\xa1\xa1",
);

から http://www.php.net/manual/en/reference.pcre.pattern.modifiers.php#54805

48
philfreo

、̆は特に悪かった。私はそれがubuntuで結合されていると思います。

コンマブレーブ

4
user1015281

不正な形式のバイトシーケンスのパターンのアイデアは、適切な形式のバイトシーケンスの表から得られます。 Unicode Standard 6.2の「 表3-7。整形式UTF-8バイトシーケンス 」を参照してください。

    Code Points    First Byte Second Byte Third Byte Fourth Byte
  U+0000 -   U+007F   00 - 7F
  U+0080 -   U+07FF   C2 - DF    80 - BF
  U+0800 -   U+0FFF   E0         A0 - BF     80 - BF
  U+1000 -   U+CFFF   E1 - EC    80 - BF     80 - BF
  U+D000 -   U+D7FF   ED         80 - 9F     80 - BF
  U+E000 -   U+FFFF   EE - EF    80 - BF     80 - BF
 U+10000 -  U+3FFFF   F0         90 - BF     80 - BF    80 - BF
 U+40000 -  U+FFFFF   F1 - F3    80 - BF     80 - BF    80 - BF
U+100000 - U+10FFFF   F4         80 - 8F     80 - BF    80 - BF

U + 24B62から生成された例を次に示します。私はそれらをバグレポートに使用しました： バグ＃65045 mb_convert_encodingは整形式文字を壊します

// U+24B62: "\xF0\xA4\xAD\xA2"
"\xF0\xA4\xAD"    ."\xF0\xA4\xAD\xA2"."\xF0\xA4\xAD\xA2"
"\xF0\xA4\xAD\xA2"."\xF0\xA4\xAD\xA2"."\xF0\xA4\xAD"

末尾のバイトの範囲（[0x80、0xBF]）の単純化は、さまざまなライブラリで確認できます。

// U+0800 - U+0FFF
\xE0\x80\x80

// U+D000 - U+D7FF
\xED\xBF\xBF

// U+10000 -  U+3FFFF
\xF0\x80\x80\x80

// U+100000 - U+10FFFF
\xF4\xBF\xBF\xBF
2
masakielastic