问题描述
背景
我正在尝试使用Java获取HTML数据风格的剪贴板数据。因此我将它们从浏览器复制到剪贴板中。然后我使用java.awt.datatransfer.Clipboard来获取它们。
这在Windows系统中正常工作。但在Ubuntu中存在一些奇怪的问题。最糟糕的是从Firefox浏览器将数据复制到剪贴板。
再现行为的示例
Java代码：
import java.io.*;
import java.awt.Toolkit;
import java.awt.datatransfer.Clipboard;
import java.awt.datatransfer.DataFlavor;
public class WorkingWithClipboadData {
static void doSomethingWithBytesFromClipboard(byte[] dataBytes, String paramCharset, int number) throws Exception {
String fileName = "Result " + number + " " + paramCharset + ".txt";
OutputStream fileOut = new FileOutputStream(fileName);
fileOut.write(dataBytes, 0, dataBytes.length);
fileOut.close();
}
public static void main(String[] args) throws Exception {
Clipboard clipboard = Toolkit.getDefaultToolkit().getSystemClipboard();
int count = 0;
for (DataFlavor dataFlavor : clipboard.getAvailableDataFlavors()) {
System.out.println(dataFlavor);
String mimeType = dataFlavor.getHumanPresentableName();
if ("text/html".equalsIgnoreCase(mimeType)) {
String paramClass = dataFlavor.getParameter("class");
if ("java.io.InputStream".equals(paramClass)) {
String paramCharset = dataFlavor.getParameter("charset");
if (paramCharset != null && paramCharset.startsWith("UTF")) {
System.out.println("============================================");
System.out.println(paramCharset);
System.out.println("============================================");
InputStream inputStream = (InputStream)clipboard.getData(dataFlavor);
ByteArrayOutputStream data = new ByteArrayOutputStream();
byte[] buffer = new byte[1024];
int length = -1;
while ((length = inputStream.read(buffer)) != -1) {
data.write(buffer, 0, length);
}
data.flush();
inputStream.close();
byte[] dataBytes = data.toByteArray();
data.close();
doSomethingWithBytesFromClipboard(dataBytes, paramCharset, ++count);
}
}
}
}
}
}
问题描述
我正在做的是，在Firefox中打开URL https://en.wikipedia.org/wiki/Germanic_umlaut。然后我在那里选择“letters：ä”并将其复制到剪贴板中。然后我运行我的Java程序。之后，生成的文件(仅其中一些作为示例)如下所示：
axel@arichter:~/Dokumente/JAVA/poi/poi-3.17$ xxd "./Result 1 UTF-16.txt"
00000000: feff fffd fffd 006c 0000 0065 0000 0074 .......l...e...t
00000010: 0000 0074 0000 0065 0000 0072 0000 0073 ...t...e...r...s
00000020: 0000 003a 0000 0020 0000 003c 0000 0069 ...:... ...<...i
00000030: 0000 003e 0000 fffd 0000 003c 0000 002f ...>.......<.../
00000040: 0000 0069 0000 003e 0000 ...i...>..
确定FEFF在开始时看起来像UTF-16BE byte-order-mark。但什么是FFFD？为什么单个字母之间有那些0000字节？ l的UTF-16编码仅为006C。似乎所有字母都以32位编码。但这对UTF-16来说是错误的。并且所有非ASCII字符都使用FFFD 0000编码，因此丢失。
axel@arichter:~/Dokumente/JAVA/poi/poi-3.17$ xxd "./Result 4 UTF-8.txt"
00000000: efbf bdef bfbd 6c00 6500 7400 7400 6500 ......l.e.t.t.e.
00000010: 7200 7300 3a00 2000 3c00 6900 3e00 efbf r.s.:. .<.i.>...
00000020: bd00 3c00 2f00 6900 3e00 ..<./.i.>.
这里的EFBF BDEF BFBD看起来不像任何已知的byte-order-mark。并且所有字母似乎都以16位编码，这是UTF-8中所需位的两倍。所以使用的位似乎总是需要的双重计数。请参阅上面的UTF-16示例。并且所有非ASCII字母都被编码为EFBFBD，因此也丢失了。
axel@arichter:~/Dokumente/JAVA/poi/poi-3.17$ xxd "./Result 7 UTF-16BE.txt"
00000000: fffd fffd 006c 0000 0065 0000 0074 0000 .....l...e...t..
00000010: 0074 0000 0065 0000 0072 0000 0073 0000 .t...e...r...s..
00000020: 003a 0000 0020 0000 003c 0000 0069 0000 .:... ...<...i..
00000030: 003e 0000 fffd 0000 003c 0000 002f 0000 .>.......<.../..
00000040: 0069 0000 003e 0000 .i...>..
与上面的例子相同。所有字母都使用32位编码。除了使用代理对的增补字符外，UTF-16中只能使用16位。所有非ASCII字母都用FFFD 0000编码，因此丢失。
axel@arichter:~/Dokumente/JAVA/poi/poi-3.17$ xxd "./Result 10 UTF-16LE.txt"
00000000: fdff fdff 6c00 0000 6500 0000 7400 0000 ....l...e...t...
00000010: 7400 0000 6500 0000 7200 0000 7300 0000 t...e...r...s...
00000020: 3a00 0000 2000 0000 3c00 0000 6900 0000 :... ...<...i...
00000030: 3e00 0000 fdff 0000 3c00 0000 2f00 0000 >.......<.../...
00000040: 6900 0000 3e00 0000 i...>...
只是为了完成。与上面相同的图片。
所以结论是Ubuntu剪贴板在从Firefox复制到它之后完全搞砸了。至少对于HTML数据风格以及使用Java读取剪贴板时。
其他浏览器使用
当我使用Chromium浏览器作为数据源做同样的事情时，问题就会变小。
所以我在Chromium中打开URL https://en.wikipedia.org/wiki/Germanic_umlaut。然后我在那里选择“letters：ä”并将其复制到剪贴板中。然后我运行我的Java程序。
结果如下：
axel@arichter:~/Dokumente/JAVA/poi/poi-3.17$ xxd "./Result 1 UTF-16.txt"
00000000: feff 003c 006d 0065 0074 0061 0020 0068 ...<.m.e.t.a. .h
...
00000800: 0061 006c 003b 0022 003e 00e4 003c 002f .a.l.;.".>...<./
00000810: 0069 003e 0000 .i.>..
Chromium在剪贴板中的HTML数据风格中选择了更多的HTML。但编码看起来很合适。也适用于非ASCII ä = 00E4。但也存在一个小问题，最后还有其他字节0000，不应该存在。在UTF-16中，最后还有2个额外的00字节。
axel@arichter:~/Dokumente/JAVA/poi/poi-3.17$ xxd "./Result 4 UTF-8.txt"
00000000: 3c6d 6574 6120 6874 7470 2d65 7175 6976 <meta http-equiv
...
000003f0: 696f 6e2d 636f 6c6f 723a 2069 6e69 7469 ion-color: initi
00000400: 616c 3b22 3ec3 a43c 2f69 3e00 al;">..</i>.
与上述相同。编码适用于UTF-8。但是这里还有一个额外的00字节，不应该存在。
环境
DISTRIB_ID=Ubuntu
DISTRIB_RELEASE=16.04
DISTRIB_CODENAME=xenial
DISTRIB_DESCRIPTION="Ubuntu 16.04.4 LTS"
Mozilla Firefox 61.0.1 (64-Bit)
java version "1.8.0_101"
Java(TM) SE Runtime Environment (build 1.8.0_101-b13)
Java HotSpot(TM) 64-Bit Server VM (build 25.101-b13, mixed mode)
问题
我在代码中做错了吗？
有人可以建议如何避免剪贴板中的混乱内容？由于非ASCII字符丢失，至少从Firefox复制时，我认为我们不能修复此内容。
这是一个已知的问题吗？有人可以确认相同的行为吗？如果是这样，Firefox中是否已经有关于此的错误报告？
或者这是一个只有在Java代码读取剪贴板内容时才会出现的问题？似乎好像。因为如果我从Firefox复制内容并将其粘贴到Libreoffice Writer中，则Unicode会正确显示。然后，如果我将内容从Writer复制到剪贴板并使用我的Java程序读取它，那么UTF编码是正确的，除了最后的附加00字节。因此，从Writer复制的剪贴板内容的行为类似于从Chromium浏览器复制的内容。
新的见解
字节0xFFFD似乎是Unicode字符’REPLACEMENT CHARACTER'(U + FFFD)。所以0xFDFF是这个的小端表示，而0xEFBFBD是这个的UTF-8编码。因此，所有结果似乎都是错误解码和重新编码Unicode的结果。
好像来自Firefox的剪贴板内容是带有BOM的UTF-16LE。但是Java将其作为UTF-8获得。因此，2字节的BOM变为两个混乱的字符，用0xEFBFBD替换，每个额外的0x00序列成为它们自己的NUL字符，所有不正确的UTF-8字节序列的字节序列变成混乱的字符，用0xEFBFBD替换。然后这个伪UTF-8将被重新编码。现在垃圾完成了。
例：
带BOM的UTF-16LE序列aɛaüa为0xFFFE 6100 5B02 6100 FC00 6100。
此作为UTF-8(0xEFBFBD =不正确的UTF-8字节序列)= 0xEFBFBD 0xEFBFBD a NUL [ STX a NUL 0xEFBFBD NUL a NUL。
重新编码为UTF-16LE的伪ASCII将为：0xFDFF FDFF 6100 0000 5B00 0200 6100 0000 FDFF 0000 6100 0000
重新编码为UTF-8的伪ASCII将是0xEFBF BDEF BFBD 6100 5B02 6100 EFBF BD00 6100
这正是发生的事情。
其他例子：
 = 0x00C2 = UTF-16LE中的C200 =伪UTF-8中的0xEFBFBD00
胂 = 0x80C2 = UTF-16LE中的C280 =伪UTF-8中的0xC280
所以我认为Firefox不应该归咎于此，而是Ubuntu或Java的运行时环境。因为从Firefox到Writer的复制/粘贴在Ubuntu中工作，我认为Java的运行时环境无法正确处理Ubuntu剪贴板中的Firefox数据风格。
新见解：
我比较了我的Windows 10和我的Ubuntu的flavormap.properties文件，并且有所不同。在Ubuntu中，text/html的天然名称是UTF8_STRING，而在Windows中，它是HTML Format。所以我认为这可能是问题所在。所以我添加了这条线
HTML\ Format=text/html;charset=utf-8;eoln="\n";terminators=0
到Ubuntu中的flavormap.properties文件。
之后：
Map<DataFlavor,String> nativesForFlavors = SystemFlavorMap.getDefaultFlavorMap().getNativesForFlavors(
new DataFlavor[]{
new DataFlavor("text/html;charset=UTF-16LE")
});
System.out.println(nativesForFlavors);
版画
{java.awt.datatransfer.DataFlavor[mimetype=text/html;representationclass=java.io.InputStream;charset=UTF-16LE]=HTML Format}
但是，当Java读取时，Ubuntu剪贴板内容的结果没有变化。
最佳解决方法
看了这个之后，看起来这是a longstanding bug with Java(甚至更早的报告here)。
看起来X11 Java组件看起来希望剪贴板数据始终采用UTF-8编码，Firefox使用UTF-16编码数据。由于Java的假设，它通过强制将UTF-16解析为UTF-8来破坏文本。我试过但找不到绕过这个问题的好方法。 “text/html”的”text”部分似乎向Java表明从剪贴板接收的字节应始终首先解释为文本，然后以各种方式提供。我找不到任何直接从X11访问pre-converted字节数组的方法。
次佳解决方法
由于到目前为止还没有一个有价值的答案，似乎我们需要一个丑陋的解决方法来使用Java来处理Ubuntu的系统剪贴板。非常可惜。 O tempora，o mores。我们生活在Windows使用Unicode编码比Ubuntu Linux更好的时候。
我们所知道的内容已在答案中说明。因此，我们有一个适当的编码text/plain结果，但混乱的text/html结果。我们知道text/html结果是如何搞砸的。
所以我们可以做的是”repairing”错误的编码HTML，首先用正确的替换字符替换所有混乱的字符。然后我们可以用正确编码的纯文本中的正确字符替换替换字符。当然，这只能用于HTML的部分，它是可见文本而不是属性。因为属性内容当然不在纯文本中。
解决方法：
import java.io.*;
import java.awt.Toolkit;
import java.awt.datatransfer.Clipboard;
import java.awt.datatransfer.DataFlavor;
import java.nio.charset.Charset;
public class WorkingWithClipboadDataBytesUTF8 {
static byte[] repairUTF8HTMLDataBytes(byte[] plainDataBytes, byte[] htmlDataBytes) throws Exception {
//get all the not ASCII characters from plainDataBytes
//we need them for replacement later
String plain = new String(plainDataBytes, Charset.forName("UTF-8"));
char[] chars = plain.toCharArray();
StringBuffer unicodeChars = new StringBuffer();
for (int i = 0; i < chars.length; i++) {
if (chars[i] > 127) unicodeChars.append(chars[i]);
}
System.out.println(unicodeChars);
//ommit the first 6 bytes from htmlDataBytes which are the wrong BOM
htmlDataBytes = java.util.Arrays.copyOfRange(htmlDataBytes, 6, htmlDataBytes.length);
//The wrong UTF-8 encoded single bytes which are not replaced by `0xefbfbd`
//are coincidentally UTF-16LE if two bytes immediately following each other.
//So we are "repairing" this accordingly.
//Goal: all garbage shall be the replacement character 0xFFFD.
//replace parts of a surrogate pair with 0xFFFD
//replace the wrong UFT-8 bytes 0xefbfbd for replacement character with 0xFFFD
ByteArrayInputStream in = new ByteArrayInputStream(htmlDataBytes);
ByteArrayOutputStream out = new ByteArrayOutputStream();
int b = -1;
int[] btmp = new int[6];
while ((b = in.read()) != -1) {
btmp[0] = b;
btmp[1] = in.read(); //there must always be two bytes because of wron encoding 16 bit Unicode
if (btmp[0] != 0xef && btmp[1] != 0xef) { // not a replacement character
if (btmp[1] > 0xd7 && btmp[1] < 0xe0) { // part of a surrogate pair
out.write(0xFD); out.write(0xFF);
} else {
out.write(btmp[0]); out.write(btmp[1]); //two default bytes
}
} else { // at least one must be the replacelement 0xefbfbd
btmp[2] = in.read(); btmp[3] = in.read(); //there must be at least two further bytes
if (btmp[0] != 0xef && btmp[1] == 0xef && btmp[2] == 0xbf && btmp[3] == 0xbd ||
btmp[0] == 0xef && btmp[1] == 0xbf && btmp[2] == 0xbd && btmp[3] != 0xef) {
out.write(0xFD); out.write(0xFF);
} else if (btmp[0] == 0xef && btmp[1] == 0xbf && btmp[2] == 0xbd && btmp[3] == 0xef) {
btmp[4] = in.read(); btmp[5] = in.read();
if (btmp[4] == 0xbf && btmp[5] == 0xbd) {
out.write(0xFD); out.write(0xFF);
} else {
throw new Exception("Wrong byte sequence: "
+ String.format("%02X%02X%02X%02X%02X%02X", btmp[0], btmp[1], btmp[2], btmp[3], btmp[4], btmp[5]),
new Throwable().fillInStackTrace());
}
} else {
throw new Exception("Wrong byte sequence: "
+ String.format("%02X%02X%02X%02X%02X%02X", btmp[0], btmp[1], btmp[2], btmp[3], btmp[4], btmp[5]),
new Throwable().fillInStackTrace());
}
}
}
htmlDataBytes = out.toByteArray();
//now get this as UTF_16LE (2 byte for each character, little endian)
String html = new String(htmlDataBytes, Charset.forName("UTF-16LE"));
System.out.println(html);
//replace all of the wrongUnicode with the unicodeChars selected from plainDataBytes
boolean insideTag = false;
int unicodeCharCount = 0;
char[] textChars = html.toCharArray();
StringBuffer newHTML = new StringBuffer();
for (int i = 0; i < textChars.length; i++) {
if (textChars[i] == '<') insideTag = true;
if (textChars[i] == '>') insideTag = false;
if (!insideTag && textChars[i] > 127) {
if (unicodeCharCount >= unicodeChars.length())
throw new Exception("Unicode chars count don't match. "
+ "We got from plain text " + unicodeChars.length() + " chars. Text until now:\n" + newHTML,
new Throwable().fillInStackTrace());
newHTML.append(unicodeChars.charAt(unicodeCharCount++));
} else {
newHTML.append(textChars[i]);
}
}
html = newHTML.toString();
System.out.println(html);
return html.getBytes("UTF-8");
}
static void doSomethingWithUTF8BytesFromClipboard(byte[] plainDataBytes, byte[] htmlDataBytes) throws Exception {
if (plainDataBytes != null && htmlDataBytes != null) {
String fileName;
OutputStream fileOut;
fileName = "ResultPlainText.txt";
fileOut = new FileOutputStream(fileName);
fileOut.write(plainDataBytes, 0, plainDataBytes.length);
fileOut.close();
fileName = "ResultHTMLRaw.txt";
fileOut = new FileOutputStream(fileName);
fileOut.write(htmlDataBytes, 0, htmlDataBytes.length);
fileOut.close();
//do we have wrong encoded UTF-8 in htmlDataBytes?
if (htmlDataBytes[0] == (byte)0xef && htmlDataBytes[1] == (byte)0xbf && htmlDataBytes[2] == (byte)0xbd
&& htmlDataBytes[3] == (byte)0xef && htmlDataBytes[4] == (byte)0xbf && htmlDataBytes[5] == (byte)0xbd) {
//try repair the UTF-8 HTML data bytes
htmlDataBytes = repairUTF8HTMLDataBytes(plainDataBytes, htmlDataBytes);
//do we have additional 0x00 byte at the end?
} else if (htmlDataBytes[htmlDataBytes.length-1] == (byte)0x00) {
//do repair this
htmlDataBytes = java.util.Arrays.copyOf(htmlDataBytes, htmlDataBytes.length-1);
}
fileName = "ResultHTML.txt";
fileOut = new FileOutputStream(fileName);
fileOut.write(htmlDataBytes, 0, htmlDataBytes.length);
fileOut.close();
}
}
public static void main(String[] args) throws Exception {
Clipboard clipboard = Toolkit.getDefaultToolkit().getSystemClipboard();
byte[] htmlDataBytes = null;
byte[] plainDataBytes = null;
for (DataFlavor dataFlavor : clipboard.getAvailableDataFlavors()) {
String mimeType = dataFlavor.getHumanPresentableName();
if ("text/html".equalsIgnoreCase(mimeType)) {
String paramClass = dataFlavor.getParameter("class");
if ("[B".equals(paramClass)) {
String paramCharset = dataFlavor.getParameter("charset");
if (paramCharset != null && "UTF-8".equalsIgnoreCase(paramCharset)) {
htmlDataBytes = (byte[])clipboard.getData(dataFlavor);
}
} //else if("java.io.InputStream".equals(paramClass)) ...
} else if ("text/plain".equalsIgnoreCase(mimeType)) {
String paramClass = dataFlavor.getParameter("class");
if ("[B".equals(paramClass)) {
String paramCharset = dataFlavor.getParameter("charset");
if (paramCharset != null && "UTF-8".equalsIgnoreCase(paramCharset)) {
plainDataBytes = (byte[])clipboard.getData(dataFlavor);
}
} //else if("java.io.InputStream".equals(paramClass)) ...
}
}
doSomethingWithUTF8BytesFromClipboard(plainDataBytes, htmlDataBytes);
}
}