CKTIS / Java
Преобразуване от windows-1250 към UTF-8 и обработка на грешки при декодиране
Преобразувай байтове от windows-1250 в UTF-8, като първо ги декодираш до знаци от Unicode, а после ги кодираш отново. Определи как декодерът да реагира на всеки вид грешка.
Версия: Java SE 21
Синтаксис
Java SE 21 — java.nio.charset (buffers in java.nio)
Charset.forName(String charsetName) -> Charset
Charset.forName(String charsetName, Charset fallback) -> Charset
charset.newDecoder() -> CharsetDecoder
charset.newEncoder() -> CharsetEncoder
decoder.onMalformedInput(CodingErrorAction action) -> CharsetDecoder
decoder.onUnmappableCharacter(CodingErrorAction action) -> CharsetDecoder
decoder.decode(ByteBuffer in) -> CharBuffer; throws CharacterCodingException
decoder.decode(ByteBuffer in, CharBuffer out, boolean endOfInput) -> CoderResult
encoder.encode(CharBuffer in) -> ByteBuffer; throws CharacterCodingException
encoder.encode(CharBuffer in, ByteBuffer out, boolean endOfInput) -> CoderResultВ Java SE 21 Charset.forName(String) от пакета java.nio.charset търси кодировка по канонично име или псевдоним. Невалидното име води до IllegalCharsetNameException, а неподдържаната кодировка — до UnsupportedCharsetException. Вариантът forName(String, Charset), наличен от Java 18, връща резервната стойност и в двата случая; тя може да бъде null. И двата варианта отхвърлят име null с IllegalArgumentException.
Използвай newDecoder() на изходната кодировка, за да прочетеш байтовете като знаци от Unicode, и newEncoder() на целевата, за да запишеш нови байтове. Oracle JDK 21 поддържа windows-1250, но Java SE не я изисква. StandardCharsets.UTF_8 е гарантирана. Ако кодировката не поддържа кодиране на знаци в байтове, newEncoder() хвърля UnsupportedOperationException. Декодерите и енкодерите пазят състояние и не са безопасни за едновременна употреба от няколко нишки.
onMalformedInput(action) обработва байтови последователности, които нарушават правилата на кодировката; onUnmappableCharacter(action) обработва правилно оформени последователности без съответствие в Unicode. И двата метода променят и връщат същия декодер. По подразбиране REPORT съобщава за грешката, REPLACE вмъква заместващ текст (първоначално U+FFFD), а IGNORE пропуска грешните входни данни. Заместването и пропускането водят до загуба на информация. Използвай REPORT, когато грешките не бива да остават незабелязани, но не го приемай за доказателство, че изходната кодировка е избрана правилно. Съкратеният метод Charset.decode(...) извършва заместване при двата вида грешки.
Методите с един аргумент CharsetDecoder.decode(ByteBuffer) и CharsetEncoder.encode(CharBuffer) прочитат оставащите входни данни и връщат съответно нов CharBuffer или ByteBuffer. При REPORT грешката води до MalformedInputException или UnmappableCharacterException, които са наследници на CharacterCodingException. За обработка на части използвай варианта с изходен буфер и флаг endOfInput: проверявай CoderResult, запазвай непрочетените входни данни и извикай flush(...) след последната част. Не извиквай варианта с един аргумент, докато тази операция е в ход.
Примери
import java.nio.ByteBuffer;
import java.nio.CharBuffer;
import java.nio.charset.Charset;
import java.nio.charset.CharsetDecoder;
import java.nio.charset.CodingErrorAction;
import java.nio.charset.MalformedInputException;
import java.nio.charset.StandardCharsets;
import java.util.HexFormat;
public class CharsetDemo {
private static CharsetDecoder decoder(Charset charset, CodingErrorAction action) {
return charset.newDecoder()
.onMalformedInput(action)
.onUnmappableCharacter(action);
}
public static void main(String[] args) throws java.nio.charset.CharacterCodingException {
Charset source = Charset.forName("windows-1250");
Charset utf8 = StandardCharsets.UTF_8;
byte[] legacy = {(byte) 0xA5};
CharBuffer text = decoder(source, CodingErrorAction.REPORT)
.decode(ByteBuffer.wrap(legacy));
ByteBuffer encoded = utf8.newEncoder().encode(text);
byte[] output = new byte[encoded.remaining()];
encoded.get(output);
System.out.println("windows-1250 -> UTF-8: "
+ HexFormat.ofDelimiter(" ").withUpperCase().formatHex(output));
byte[] truncatedUtf8 = {(byte) 0xC3};
try {
decoder(utf8, CodingErrorAction.REPORT).decode(ByteBuffer.wrap(truncatedUtf8));
throw new AssertionError("Expected malformed UTF-8");
} catch (MalformedInputException expected) {
System.out.println("REPORT: MalformedInputException");
}
CharBuffer repaired = decoder(utf8, CodingErrorAction.REPLACE)
.decode(ByteBuffer.wrap(truncatedUtf8));
System.out.printf("REPLACE: U+%04X%n", Character.codePointAt(repaired, 0));
}
}Резултат
windows-1250 -> UTF-8: C4 84 REPORT: MalformedInputException REPLACE: U+FFFD
Байтът `A5` в windows-1250 означава `U+0104`, който в UTF-8 се записва като `C4 84`. В отделна проверка самостоятелният байт `C3` е начало на незавършена UTF-8 последователност: `REPORT` хвърля изключение, а `REPLACE` дава `U+FFFD`. Шестнадесетичният изход не зависи от начина, по който терминалът показва Unicode.
Свързани уроци
- Java · Урок 51 · Напреднало · Версия: 2