Znalostní bázeCentrum zkoušek
CSČeština
Vybrat jazyk13

CKTIS / Java

Převod z windows-1250 na UTF-8 a ošetření chyb dekódování

Převeď bajty z windows-1250 do UTF-8 tak, že je nejprve dekóduješ na znaky Unicode a pak znovu zakóduješ. Pro každý druh chyby nastav, jak má dekodér reagovat.

Verze: Java SE 21

Syntaxe

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) -> CoderResult

V Java SE 21 vyhledává Charset.forName(String) z balíčku java.nio.charset kódování podle kanonického názvu nebo aliasu. Neplatný název vyvolá IllegalCharsetNameException, nepodporované kódování pak UnsupportedCharsetException. Přetížená varianta forName(String, Charset), dostupná od Javy 18, v obou případech vrátí náhradní hodnotu, která může být null. Obě varianty odmítnou název null výjimkou IllegalArgumentException.

Pomocí newDecoder() zdrojového kódování přečti bajty jako znaky Unicode a pomocí newEncoder() cílového kódování zapiš nové bajty. Oracle JDK 21 podporuje windows-1250, ale Java SE toto kódování nevyžaduje. StandardCharsets.UTF_8 je zaručené. Pokud dané kódování nepodporuje převod znaků na bajty, newEncoder() vyvolá UnsupportedOperationException. Dekodéry a kodéry uchovávají stav a nejsou bezpečné při souběžném použití z více vláken.

onMalformedInput(action) řeší sekvence bajtů, které porušují pravidla kódování; onUnmappableCharacter(action) řeší správně utvořené sekvence bez odpovídajícího zápisu v Unicode. Obě metody upravují a vracejí tentýž dekodér. Výchozí REPORT oznámí chybu, REPLACE vloží náhradní text (zpočátku U+FFFD) a IGNORE chybný vstup přeskočí. Nahrazení i přeskočení znamená ztrátu informací. Použij REPORT, pokud chyby nesmějí projít bez povšimnutí; není to ale důkaz, že jsi zvolil správné zdrojové kódování. Zkrácená metoda Charset.decode(...) provádí náhradu u obou typů chyb.

Jednoargumentové metody CharsetDecoder.decode(ByteBuffer) a CharsetEncoder.encode(CharBuffer) přečtou zbývající vstup a vrátí nový CharBuffer, respektive ByteBuffer. Při REPORT vyvolá chyba MalformedInputException nebo UnmappableCharacterException, obě odvozené od CharacterCodingException. Pro zpracování po blocích použij variantu s výstupním bufferem a příznakem endOfInput: kontroluj CoderResult, ponech si nespotřebovaný vstup a po posledním bloku zavolej flush(...). Během této operace nevolej jednoargumentovou variantu.

Příklady

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));
    }
}

Výsledek

windows-1250 -> UTF-8: C4 84
REPORT: MalformedInputException
REPLACE: U+FFFD

Bajt `A5` v kódování windows-1250 představuje `U+0104`, který se v UTF-8 zapisuje jako `C4 84`. V samostatném testu je osamocený bajt `C3` začátkem neúplné sekvence UTF-8: `REPORT` vyvolá výjimku a `REPLACE` vrátí `U+FFFD`. Hexadecimální výstup nezávisí na tom, jak terminál zobrazuje Unicode.

Související lekce

  • Java · Lekce 51 · Pokročilá · Verze: 2

Zdroje