CKTIS / Java
Kódování řetězců v Javě: UTF-8 a UTF-16BE
Převeď text na bajty pomocí `String.getBytes(Charset)`. Zjisti, proč `Euro €` zabírá 8 bajtů v UTF-8 a 12 v UTF-16BE a proč UTF-16BE nepoužívá vždy dva bajty na kódový bod.
Verze: Java SE 21
Syntaxe
import java.nio.charset.StandardCharsets;
byte[] utf8 = text.getBytes(StandardCharsets.UTF_8);
byte[] utf16be = text.getBytes(StandardCharsets.UTF_16BE);StandardCharsets.UTF_8 a StandardCharsets.UTF_16BE jsou konstanty typu Charset z balíčku java.nio.charset. Obě jsou dostupné v každé implementaci Java SE 21. String.getBytes(Charset) zakóduje text do nového pole byte[]. Pro soubor nebo protokol zadej požadované kódování výslovně. getBytes() bez argumentu používá výchozí kódování JVM, kterým je v Java SE 21 UTF-8, pokud se nezmění způsobem specifickým pro implementaci.
UTF-8 používá 1 až 4 bajty na skalární hodnotu Unicode, tedy na kódový bod mimo rozsah U+D800–U+DFFF. UTF-16BE zapisuje každou 16bitovou kódovou jednotku jako dva bajty, nejvýznamnější bajt jako první. Nepřidává značku pořadí bajtů (BOM). Naproti tomu StandardCharsets.UTF_16 při kódování zapisuje BOM a používá pořadí big-endian.
Euro € obsahuje pět znaků ASCII včetně mezery a znak €. To je 5 × 1 + 3 = 8 bajtů v UTF-8 a 6 × 2 = 12 v UTF-16BE. Doplňkový kódový bod jako 😀 (U+1F600) vyžaduje pár náhradních kódových jednotek: v UTF-16BE jsou to dvě jednotky a 4 bajty. V UTF-8 zabírá také 4 bajty. String.length() počítá kódové jednotky UTF-16, zatímco bytes.length počítá bajty.
Přetížení getBytes(String) přijímá název kódování a vyvolá kontrolovanou výjimku UnsupportedEncodingException, pokud kódování není podporované. Nelze-li text zakódovat, chování getBytes(String) a getBytes() není specifikováno. getBytes(Charset) nahradí neplatné vstupní sekvence a sekvence, které nelze reprezentovat v cílovém kódování, výchozími náhradními bajty daného kódování. Pokud chceš chyby hlásit místo nahrazování vstupu, použij CharsetEncoder s CodingErrorAction.REPORT pro oba typy chyb.
Příklady
import java.nio.charset.Charset;
import java.nio.charset.StandardCharsets;
import java.util.HexFormat;
public class EncodingDemo {
public static void main(String[] args) {
String euro = "Euro \u20AC";
String emoji = "\uD83D\uDE00";
show(euro, StandardCharsets.UTF_8);
show(euro, StandardCharsets.UTF_16BE);
show(emoji, StandardCharsets.UTF_8);
show(emoji, StandardCharsets.UTF_16BE);
}
private static void show(String text, Charset charset) {
byte[] bytes = text.getBytes(charset);
String hex = HexFormat.ofDelimiter(" ").formatHex(bytes);
System.out.println(charset.name() + " " + bytes.length + ": " + hex);
}
}Výsledek
UTF-8 8: 45 75 72 6f 20 e2 82 ac UTF-16BE 12: 00 45 00 75 00 72 00 6f 00 20 20 ac UTF-8 4: f0 9f 98 80 UTF-16BE 4: d8 3d de 00
První dva řádky patří textu `Euro €` včetně mezery, poslední dva znaku `😀`. Program vypisuje délku pole a jeho bajty v šestnáctkové soustavě, nikoli vstupní znaky.
Související lekce
- Java · Lekce 50 · Pokročilá · Verze: 2