無効なutf8文字列の例ですか？

Question

私のコードのいくつかが不正なデータを処理する方法をテストしています。無効なUTF-8である一連のバイトが必要です。

あなたはいくつか、理想的には、彼らが悪い/あなたがそれらを入手した理由の説明を投稿できますか？

Answer 1

、継続が、すぎるシーケンスを逃しバイト、孤独なスタートバイトを含めて、あなたは多くのUTF-8ムラの例を見つけることができますMarkus Kuhn's UTF-8 decoder capability and stress test file

を見てみましょなど

Answer 2

ファズテスト - ランダムシーケンスを生成オクテットのほとんどの場合、不正なシーケンスが遅れてしまうでしょう。 PHPで

Answer 3

：

$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", 
); 

Answer 4

http://www.php.net/manual/en/reference.pcre.pattern.modifiers.php#54805から病気に形成されたバイト列のパターンの考え方は、十分に形成されたバイト列のテーブルから取得することができます。 Unicode標準6.2の「Table 3-7. Well-Formed UTF-8 Byte Sequences」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 

ここでは、U + 24B62から生成された例を示します。 Bug #65045 mb_convert_encoding breaks well-formed character

// 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" 

末尾バイト（[0x80を、0xbfの]）の範囲の過度の単純化は、種々のライブラリーで見ることができます。私は、バグレポートのためにそれらを使用します。

// 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 

Answer 5

、特に悪かったです。私はubuntuで結合したものを見る。

カンマブレーベ