Come rimuovere i caratteri non validi che non sono adatti per la codifica utf8 in MySQL?

Quando ho avuto problemi come questo, ho usato lo script Perl per assicurarmi che i dati venissero convertiti in UTF-8 validi usando un codice come questo:

use Encode;
binmode(STDOUT, ":utf8");
while (<>) {
    print Encode::decode('UTF-8', $_);
}

Questo script accetta (possibilmente danneggiato) UTF-8 su stdin e ristampa UTF-8 valido su stdout . I caratteri non validi vengono sostituiti con � (U+FFFD , Carattere sostitutivo Unicode ).

Se esegui questo script su un buon input UTF-8, l'output dovrebbe essere identico all'input.

Se hai dati nel database, ha senso usare DBI per scansionare le tue tabelle e cancellare tutti i dati usando questo approccio per assicurarti che tutto sia UTF-8 valido.

Questa è la versione Perl one-liner di questo stesso script:

perl -MEncode -e "binmode STDOUT,':utf8';while(<>){print Encode::decode 'UTF-8',\$_}" < bad.txt > good.txt

EDIT:aggiunta soluzione solo Java .

Questo è un esempio di come farlo in Java:

import java.nio.ByteBuffer;
import java.nio.CharBuffer;
import java.nio.charset.CharacterCodingException;
import java.nio.charset.Charset;
import java.nio.charset.CharsetDecoder;
import java.nio.charset.CodingErrorAction;

public class UtfFix {
    public static void main(String[] args) throws InterruptedException, CharacterCodingException {
        CharsetDecoder decoder = Charset.forName("UTF-8").newDecoder();
        decoder.onMalformedInput(CodingErrorAction.REPLACE);
        decoder.onUnmappableCharacter(CodingErrorAction.REPLACE);
        ByteBuffer bb = ByteBuffer.wrap(new byte[] {
            (byte) 0xD0, (byte) 0x9F, // 'П'
            (byte) 0xD1, (byte) 0x80, // 'р'
            (byte) 0xD0,              // corrupted UTF-8, was 'и'
            (byte) 0xD0, (byte) 0xB2, // 'в'
            (byte) 0xD0, (byte) 0xB5, // 'е'
            (byte) 0xD1, (byte) 0x82  // 'т'
        });
        CharBuffer parsed = decoder.decode(bb);
        System.out.println(parsed);
        // this prints: Пр?вет
    }
}