Testuję, jak niektóre z mojego kodu obsługuje złe dane, i potrzebuję kilka serii bajtów, które są nieprawidłowe UTF-8.Przykład nieprawidłowy ciąg znaków utf8?
Czy możesz podać niektóre, a najlepiej wyjaśnienie, dlaczego są one złe/skąd je masz?
Testuję, jak niektóre z mojego kodu obsługuje złe dane, i potrzebuję kilka serii bajtów, które są nieprawidłowe UTF-8.Przykład nieprawidłowy ciąg znaków utf8?
Czy możesz podać niektóre, a najlepiej wyjaśnienie, dlaczego są one złe/skąd je masz?
Spójrz na Markus Kuhn's UTF-8 decoder capability and stress test file
Znajdziesz przykłady wielu UTF-8 nieprawidłowości, w tym samotnych bajtów początek, kontynuacja bajtów brakuje, zbyt długie sekwencje itp
Fuzz Testing - generuje losową sekwencję oktetów. Najprawdopodobniej dostaniesz niedozwolone sekwencje wcześniej niż później.
Nie ma nic gorszego niż posiadanie heisenbugs lub eisentests. Testy mijają 10 razy, zwolnisz produkt, test się nie powiedzie. –
@EricDuminil kiedykolwiek słyszał o srand()? – shoosh
Wystarczająco fair. Czy mógłbyś wspomnieć o tym w odpowiedzi, abym mógł powrócić do mojego stanowiska? –
W PHP:
$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",
);
Od http://www.php.net/manual/en/reference.pcre.pattern.modifiers.php#54805
Pomysł wzorców źle sformułowane bajt sekwencje można uzyskać z tabeli dobrze uformowanych sekwencji bajtów. Zobacz "Table 3-7. Well-Formed UTF-8 Byte Sequences" w standardzie Unicode 6.2.
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
Oto przykłady wygenerowane z U + 24B62. Użyłem ich do raportu o błędzie: 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"
uproszczeniem zasięgiem spływu bajtów ([0x80, 0xBF]) można zaobserwować w różnych bibliotekach.
// 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
, ̆ był szczególnie zły. Widzę to jako połączone na ubuntu.
przecinkami breve
Możliwy duplikat [Really Good, Bad UTF-8 danych przykład test] (http://stackoverflow.com/questions/1319022/really-good-bad-utf-8-example- dane testowe) – Claudiu