CKTIS / Java
Kódování textu do bajtů a dekódování bajtů v Javě
Zadej kódování výslovně, abys obnovil text z bajtů a získal reprodukovatelný vstup pro výpočet hashe. Zjisti, kdy se neplatné sekvence nahrazují.
Verze: Java SE 21
Syntaxe
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[] -> StringPřetížení getBytes(Charset) metody String.getBytes zakóduje text do nového pole byte[]. Konstruktor String(byte[],Charset) pracuje opačně: new String(bytes, charset) dekóduje celé pole do nového řetězce. String.length() počítá kódové jednotky UTF-16, zatímco bytes.length počítá bajty.
Použij kódování vyžadované formátem nebo protokolem. Pro UTF-8 zvol StandardCharsets.UTF_8, konstantu typu Charset z balíčku java.nio.charset, kterou podporuje každá implementace Javy. getBytes() a new String(bytes) používají výchozí kódování JVM: v Java SE 21 je to UTF-8, pokud se nezmění způsobem závislým na implementaci. Přetížení přijímající název kódování jako String při nepodporovaném názvu vyvolají UnsupportedEncodingException. Zastaralá metoda getBytes(int,int,byte[],int) pouze kopíruje osm nejnižších bitů každé hodnoty char; ke kódování textu neslouží.
Přetížení s Charset nahrazují chybně utvořené sekvence a sekvence bez odpovídajícího převodu. Při kódování vkládají výchozí náhradní bajty daného kódování, při dekódování jeho výchozí náhradní řetězec. Chceš-li odmítnout oba typy chyb, použij CharsetEncoder nebo CharsetDecoder s CodingErrorAction.REPORT. Při zpracování celého bufferu jediným voláním takové chyby vyvolají CharacterCodingException. Úspěšné dekódování nedokazuje, že je zvolené kódování správné.
Chceš-li ověřit, že je převod tam a zpět bezeztrátový, použij v obou směrech stejné kódování a porovnej dekódovaný řetězec s původním. Kódování bez náhrad nestačí: v některých kódováních mohou bajty získané z jednoho znaku po dekódování dát jiný znak. SHA-256 zpracovává bajty, nikoli text: domluv jak kódování, tak přesnou podobu textu, včetně konců řádků a normalizace Unicode. Bajty hashe nedekóduj jako text, ale zobraz je šestnáctkově.
Příklady
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));
}
}Výsledek
utf16Units=40 utf8Bytes=41 latin1Bytes=40 roundTrip=true sameSha256AfterRoundTrip=true
39 znaků `x` a jedno `é` zabírá 40 kódových jednotek UTF-16 a 41 bajtů v UTF-8. ISO-8859-1 pro stejný text používá 40 bajtů. Dekódováním a opětovným zakódováním v UTF-8 vzniknou stejné bajty, takže SHA-256 vrátí stejný výsledek.
Související lekce
- Java · Lekce 62 · Pokročilá · Verze: 2
- Java · Lekce 63 · Pokročilá · Verze: 2
Zdroje
- Java SE 21 API — String(byte[], Charset)
- Java SE 21 API — String.getBytes(Charset) and other overloads
- Java SE 21 API — StandardCharsets.UTF_8
- Java SE 21 API — Charset.defaultCharset()
- Java SE 21 API — CharsetEncoder
- Java SE 21 API — CharsetDecoder
- Java SE 21 API — CodingErrorAction.REPORT
- Java SE 21 API — MessageDigest