잘못된 utf8 문자열의 예는 무엇입니까?

Question

내 코드가 잘못된 데이터를 처리하는 방식을 테스트하고 있으며 유효하지 않은 UTF-8 인 몇 가지 일련의 바이트가 필요합니다.

이상적으로 왜 그들이 나쁜지에 대한 설명을 게시 할 수 있습니까?

Answer 1

, 계속이 너무 긴 시퀀스 누락 바이트, 외로운 시작 바이트를 포함, 당신은 많은 UTF-8 부정의 예를 찾을 수 Markus Kuhn's UTF-8 decoder capability and stress test file

를 살펴 보자 등

Answer 2

퍼즈 테스트 - 임의의 시퀀스를 생성 옥텟 수 대부분의 경우 나중에 불법적 인 순서가 나타날 것입니다. PHP에서

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#54805에서 잘못 형성된 바이트 시퀀스 패턴의 개념은 잘 구성된 바이트 시퀀스의 테이블에서 얻을 수있다. 유니 코드 표준 6.2의 "Table 3-7. Well-Formed UTF-8 Byte Sequences"을 참조하십시오.

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 

다음은 U + 24B62에서 생성 된 예제입니다. 나는 버그 보고서를 사용 : 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" 

바이트 후행의 범위 ([0x80으로,에서 0xBF])의 단순화는 다양한 라이브러리에서 볼 수 있습니다.

// 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

, ̆ 특히 악합니다. 나는 그것을 우분투에서 결합 된 것으로 본다.

쉼표 브레 베