База знанияИзпитен център
BGБългарски
Избери език13

CKTIS / Java

Кодиране на текст в байтове и декодиране на байтове в Java

Избери изрично кодировка, за да възстановиш текста от байтовете и да получиш възпроизводим вход за хеширане. Научи кога невалидните последователности се заменят.

Версия: Java SE 21

Синтаксис

import java.nio.charset.Charset;
import java.nio.charset.StandardCharsets;

Charset charset = StandardCharsets.UTF_8;
byte[] bytes = text.getBytes(charset);       // String -> byte[]
String decoded = new String(bytes, charset); // byte[] -> String

Вариантът getBytes(Charset) на String.getBytes кодира текста в нов масив byte[]. Конструкторът String(byte[],Charset) прави обратното: new String(bytes, charset) декодира целия масив в нов низ. String.length() брои кодови единици на UTF-16, а bytes.length брои байтове.

Използвай кодировката, която форматът или протоколът изисква. За UTF-8 избери StandardCharsets.UTF_8 — константа от тип Charset в пакета java.nio.charset, която се поддържа от всяка реализация на Java. getBytes() и new String(bytes) използват подразбиращата се кодировка на JVM: в Java SE 21 тя е UTF-8, освен ако не е променена по начин, специфичен за реализацията. Вариантите, които приемат името на кодировката като String, хвърлят UnsupportedEncodingException, ако името не се поддържа. Остарелият метод getBytes(int,int,byte[],int) копира само осемте младши бита на всяка стойност char; той не служи за кодиране на текст.

Вариантите с Charset заменят неправилно формираните последователности и тези без съответствие при преобразуване. При кодиране се вмъкват стандартните заместващи байтове на кодировката, а при декодиране — стандартният ѝ заместващ низ. За да отхвърлиш и двата вида грешки, използвай CharsetEncoder или CharsetDecoder с CodingErrorAction.REPORT. При обработка на цял буфер с едно извикване тези грешки водят до CharacterCodingException. Успешното декодиране не доказва, че избраната кодировка е правилна.

За да провериш дали преобразуването в двете посоки е без загуби, използвай една и съща кодировка за кодиране и декодиране и сравни декодирания низ с оригинала. Кодирането без замени не е достатъчно: при някои кодировки байтовете, получени от един знак, могат да се декодират като друг знак. SHA-256 обработва байтове, а не текст: уточни както кодировката, така и точната форма на текста, включително знаците за край на ред и нормализацията на Unicode. Не декодирай байтовете на хеша като текст; покажи ги в шестнадесетичен вид.

Примери

import java.nio.charset.Charset;
import java.nio.charset.StandardCharsets;
import java.security.MessageDigest;
import java.security.NoSuchAlgorithmException;
import java.util.Arrays;

public class StringEncodingDemo {
    public static void main(String[] args) throws NoSuchAlgorithmException {
        Charset utf8 = StandardCharsets.UTF_8;
        String text = "x".repeat(39) + "\u00E9";
        byte[] utf8Bytes = text.getBytes(utf8);
        String decoded = new String(utf8Bytes, utf8);
        byte[] latin1Bytes = text.getBytes(StandardCharsets.ISO_8859_1);

        MessageDigest sha256 = MessageDigest.getInstance("SHA-256");
        byte[] originalDigest = sha256.digest(utf8Bytes);
        byte[] decodedDigest = sha256.digest(decoded.getBytes(utf8));

        System.out.println("utf16Units=" + text.length());
        System.out.println("utf8Bytes=" + utf8Bytes.length);
        System.out.println("latin1Bytes=" + latin1Bytes.length);
        System.out.println("roundTrip=" + text.equals(decoded));
        System.out.println("sameSha256AfterRoundTrip=" + Arrays.equals(originalDigest, decodedDigest));
    }
}

Резултат

utf16Units=40
utf8Bytes=41
latin1Bytes=40
roundTrip=true
sameSha256AfterRoundTrip=true

39 знака `x` и едно `é` заемат 40 кодови единици на UTF-16 и 41 байта в UTF-8. ISO-8859-1 за същия текст използва 40 байта. Декодирането и повторното кодиране с UTF-8 възстановяват същите байтове, затова SHA-256 дава същия резултат.

Свързани уроци

  • Java · Урок 62 · Напреднало · Версия: 2
  • Java · Урок 63 · Напреднало · Версия: 2

Източници