提问者:小点点

在Scala问题中使用转义的特殊字符解码字符串


我有一个多行JSON文件,其中包含编码为十六进制的特殊字符的记录。以下是单个JSON记录的示例:

{\x22value\x22:\x22\xC4\xB1arines Bint\xC4\xB1\xC3\xA7 Ramu\xC3\xA7lar\x22}

该记录应该是{"value":"èarines BintíçRamuçlar"},例如'"字符被替换为相应的十六进制\x22,其他特殊的Unicode字符被替换为一个或两个十六进制(例如\xC3\xA7 encodeç等)

我需要将类似的字符串转换为Scala中的常规Unicode字符串,因此在打印时它会生成{"value":"èarines BintíçRamuçlar"}没有十六进制。

Python我可以用一行代码轻松解码这些记录:

>>> a = "{\x22value\x22:\x22\xC4\xB1arines Bint\xC4\xB1\xC3\xA7 Ramu\xC3\xA7lar\x22}"
>>> a.decode("utf-8")
u'{"value":"\u0131arines Bint\u0131\xe7 Ramu\xe7lar"}'
>>> print a.decode("utf-8")
{"value":"ıarines Bintıç Ramuçlar"}

但是在Scala中我找不到解码它的方法。我尝试像这样转换它失败了:

scala> val a = """{\x22value\x22:\x22\xC4\xB1arines Bint\xC4\xB1\xC3\xA7 Ramu\xC3\xA7lar\x22}"""
scala> print(new String(a.getBytes(), "UTF-8"))
{\x22value\x22:\x22\xC4\xB1arines Bint\xC4\xB1\xC3\xA7 Ramu\xC3\xA7lar\x22}

我还尝试了URLDecoder,因为我发现了类似问题的解决方案(但URL):

scala> val a = """{\x22value\x22:\x22\xC4\xB1arines Bint\xC4\xB1\xC3\xA7 Ramu\xC3\xA7lar\x22}"""
scala> print(java.net.URLDecoder.decode(a.replace("\\x", "%"), "UTF-8"))
{"value":"ıarines Bintıç Ramuçlar"}

它为此示例生成了所需的结果,但对于通用文本字段似乎并不安全,因为它旨在处理URL并且需要将字符串中的所有\x替换为%

Scala有更好的方法来处理这个问题吗?

我是Scala的新手,将感谢任何帮助

更新:我用javax. xml.bin.DatatypeConverter.parseHexBinary制作了一个自定义解决方案。它现在有效,但看起来很麻烦,一点也不优雅。我认为应该有一个更简单的方法来做到这一点。

这是代码:

import javax.xml.bind.DatatypeConverter
import scala.annotation.tailrec
import scala.util.matching.Regex

def decodeHexChars(string: String): String = {
  val regexHex: Regex = """\A\\[xX]([0-9a-fA-F]{1,2})(.*)""".r
  def purgeBuffer(buffer: String, acc: List[Char]): List[Char] = {
    if (buffer.isEmpty) acc
    else new String(DatatypeConverter.parseHexBinary(buffer)).reverse.toList ::: acc
  }
  @tailrec
  def traverse(s: String, acc: List[Char], buffer: String): String = s match {
    case "" =>
      val accUpdated = purgeBuffer(buffer, acc)
      accUpdated.foldRight("")((str, b) => b + str)
    case regexHex(chars, suffix) =>
      traverse(suffix, acc, buffer + chars)
    case _ =>
      val accUpdated = purgeBuffer(buffer, acc)
      traverse(s.tail, s.head :: accUpdated, "")
  }
  traverse(string, Nil, "")
}

共2个答案

匿名用户

每个\x??编码一个字节,如\x22编码"\x5C编码\。但是在UTF-8中,有些字符使用多个字节进行编码,因此您需要将\xC4\xB1转换为符号等等。

replace eAllIn真的很好,但它可能会吃掉你的斜杠。因此,如果您不在替换字符串中使用组(如\1),quoteReplace是转义\$符号的推荐方法。

/** "22" -> 34, "AA" -> -86  */
def hex2byte(hex: String) = Integer.parseInt(hex, 16).toByte

/** decode strings like \x22 or \xC4\xB1\xC3\xA7 to specified encoding   */
def decodeHexadecimals(str: String, encoding: String="UTF-8") = 
  new String(str.split("""\\x""").tail.map(hex2byte), encoding)

/** fix weird strings */
def replaceHexadecimals(str: String, encoding: String="UTF-8") = 
  """(\\x[\dA-F]{2})+""".r.replaceAllIn(str, m => 
    util.matching.Regex.quoteReplacement(
      decodeHexadecimals(m.group(0), encoding)))

附言有人知道java. util.regex.Matcher.quoteReplacescala.util.match.Regex.quoteReplace之间的区别吗?

匿名用户

问题是编码确实特定于python(我认为)。这样的东西可能会起作用:

val s = """{\x22value\x22:\x22\xC4\xB1arines Bint\xC4\xB1\xC3\xA7 Ramu\xC3\xA7lar\x22}"""

"""\\x([A-F0-9]{2})""".r.replaceAllIn(s, (x: Regex.Match) => 
  new String(BigInt(x.group(1), 16).toByteArray, "UTF-8")
)