उदाहरण अवैध utf8 स्ट्रिंग उदाहरण?

Question

मैं परीक्षण कर रहा हूं कि मेरा कुछ कोड खराब डेटा कैसे संभालता है, और मुझे बाइट्स की कुछ श्रृंखला की आवश्यकता है जो अमान्य यूटीएफ -8 हैं।

क्या आप कुछ पोस्ट कर सकते हैं, और आदर्श रूप से, यह एक स्पष्टीकरण क्यों है कि वे बुरे हैं/जहां आप उन्हें मिला?

Answer 1

आप कई UTF-8 अनियमितताओं के उदाहरण देखेंगे Markus Kuhn's UTF-8 decoder capability and stress test file

पर एक नजर डालें, अकेला शुरू बाइट्स सहित, निरंतरता लापता, लंबा दृश्यों बाइट्स, आदि

Answer 2

परमाणु रूप में पृथक परीक्षण - एक यादृच्छिक अनुक्रम उत्पन्न ऑक्टेट्स का। सबसे अधिक संभावना है कि आप जल्द से जल्द कुछ अवैध अनुक्रम प्राप्त करेंगे।

Answer 3

PHP में:

$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#54805 से

Answer 4

बीमार का गठन बाइट-दृश्यों के पैटर्न के विचार अच्छी तरह से गठित बाइट दृश्यों के मेज से प्राप्त हो सकता है। यूनिकोड मानक 6.2 में "Table 3-7. Well-Formed UTF-8 Byte Sequences" देखें।

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 

यहां U + 24B62 से उत्पन्न उदाहरण हैं। मैं उन्हें एक बग रिपोर्ट के लिए इस्तेमाल किया: 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" 

बाइट्स अनुगामी की सीमा ([0x80, 0xBF]) की अति सरलीकरण विभिन्न पुस्तकालयों में देखा जा सकता है।

// 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

, ̆ विशेष रूप से बुरा था। मैं इसे उबंटू पर संयुक्त के रूप में देखता हूं।

कॉमा-ब्रीव