Java修改Python中的UTF-8字符串

Question

我正在通过 Python 与 Java 应用程序交互。我需要能够构造包含 UTF-8 字符串的字节序列。 Java 在 DataInputStream.readUTF() 中使用修改后的 UTF-8 编码，Python 不支持该编码 ( yet at least )

有人能给我指出在 Python 中构造 Java 修改的 UTF-8 字符串的正确方向吗？

更新 #1:要了解有关 Java 修改后的 UTF-8 的更多信息，请查看 DataInput 接口(interface)第 550 行 here 中的 readUTF() 方法。 ，或here in the Java SE docs .

更新 #2:我正在尝试与第三方 JBoss Web 应用程序交互，该应用程序使用此修改后的 UTF-8 格式通过调用 DataInputStream.readUTF() 通过 POST 请求读取字符串(对于正常 Java UTF-8 字符串操作的任何混淆，我们深表歉意)。

Answer 1

您可以忽略修改的 UTF-8 编码 (MUTF-8)，并将其视为 UTF-8。在Python方面，你可以这样处理，

1. 将字符串转换为普通 UTF-8 并将字节存储在缓冲区中。
2. 将 2 字节缓冲区长度(不是字符串长度)写入大端字节序中的二进制。
3. 写入整个缓冲区。

我已经在 PHP 中完成了此操作，并且 Java 根本没有提示我的编码(至少在 Java 5 中)。

MUTF-8 主要用于 JNI 和其他具有空终止字符串的系统。与普通 UTF-8 的唯一区别在于 U+0000 的编码方式。普通 UTF-8 使用 1 字节编码 (0x00)，MUTF-8 使用 2 字节 (0xC0 0x80)。首先，任何 Unicode 文本中都不应该有 U+0000(无效代码点)。其次，DataInputStream.readUTF() 不强制执行编码，因此它很乐意接受任一编码。

编辑:Python 代码应该如下所示，

def writeUTF(data, str):
    utf8 = str.encode('utf-8')
    length = len(utf8)
    data.append(struct.pack('!H', length))
    format = '!' + str(length) + 's'
    data.append(struct.pack(format, utf8))