내 코드가 잘못된 데이터를 처리하는 방식을 테스트하고 있으며 유효하지 않은 UTF-8 인 몇 가지 일련의 바이트가 필요합니다.잘못된 utf8 문자열의 예는 무엇입니까?
이상적으로 왜 그들이 나쁜지에 대한 설명을 게시 할 수 있습니까?
내 코드가 잘못된 데이터를 처리하는 방식을 테스트하고 있으며 유효하지 않은 UTF-8 인 몇 가지 일련의 바이트가 필요합니다.잘못된 utf8 문자열의 예는 무엇입니까?
이상적으로 왜 그들이 나쁜지에 대한 설명을 게시 할 수 있습니까?
, 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
퍼즈 테스트 - 임의의 시퀀스를 생성 옥텟 수 대부분의 경우 나중에 불법적 인 순서가 나타날 것입니다. PHP에서
heisenbug 또는 eisentests를 갖는 것보다 더 나쁜 것은 없습니다. 테스트가 10 번 통과하면 제품을 출시하고 테스트가 실패합니다. –
@EricDuminil이 srand()에 대해 들어 봤어? – shoosh
충분합니다. 내 downvote를 되돌릴 수 있도록 대답에 언급 주시겠습니까? –
:
$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",
);
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
, ̆ 특히 악합니다. 나는 그것을 우분투에서 결합 된 것으로 본다.
쉼표 브레 베
[정말 좋은, 나쁜 UTF-8 예를 들어, 테스트 데이터 (의 가능한 중복 http://stackoverflow.com/questions/1319022/really-good-bad-utf-8-example- 테스트 데이터) – Claudiu