CKTIS / Java
windows-1250 nach UTF-8 umkodieren und Dekodierfehler behandeln
Wandle Bytes aus windows-1250 in UTF-8 um, indem du sie zuerst als Unicode-Zeichen dekodierst und dann neu kodierst. Lege für jede Fehlerart fest, wie der Decoder reagieren soll.
Version: Java SE 21
Syntax
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) -> CoderResultIn Java SE 21 sucht Charset.forName(String) aus java.nio.charset eine Zeichenkodierung anhand ihres kanonischen Namens oder eines Alias. Ein ungültiger Name führt zu IllegalCharsetNameException, ein nicht unterstützter zu UnsupportedCharsetException. Die seit Java 18 verfügbare Überladung forName(String, Charset) liefert in beiden Fällen den Ersatzwert, der auch null sein darf. Beide Varianten weisen null als Namen mit IllegalArgumentException zurück.
Mit newDecoder() der Quellkodierung liest du Bytes als Unicode-Zeichen, mit newEncoder() der Zielkodierung schreibst du daraus neue Bytes. Oracle JDK 21 unterstützt windows-1250, Java SE schreibt diese Kodierung aber nicht vor. StandardCharsets.UTF_8 ist garantiert. Unterstützt eine Zeichenkodierung das Kodieren nicht, wirft newEncoder() eine UnsupportedOperationException. Decoder und Encoder haben einen veränderlichen Zustand und sind nicht threadsicher.
onMalformedInput(action) behandelt Bytefolgen, die gegen die Regeln der Kodierung verstoßen; onUnmappableCharacter(action) behandelt strukturell gültige Folgen ohne Unicode-Zuordnung. Beide Methoden ändern denselben Decoder und geben ihn zurück. Standardmäßig meldet REPORT den Fehler; REPLACE fügt Ersatztext ein (anfangs U+FFFD), und IGNORE überspringt die fehlerhafte Eingabe. Ersetzen und Überspringen führen zu Informationsverlust. Verwende REPORT, wenn Fehler nicht stillschweigend durchgehen dürfen. Es beweist aber nicht, dass die Quellkodierung richtig gewählt wurde. Die Kurzform Charset.decode(...) ersetzt bei beiden Fehlerarten.
Die einargumentigen Methoden CharsetDecoder.decode(ByteBuffer) und CharsetEncoder.encode(CharBuffer) lesen die verbleibende Eingabe und liefern einen neuen CharBuffer bzw. ByteBuffer. Mit REPORT führt ein Kodierungsfehler zu MalformedInputException oder UnmappableCharacterException, beides Unterklassen von CharacterCodingException. Nutze für die blockweise Verarbeitung die Überladung mit Ausgabepuffer und endOfInput: Prüfe CoderResult, bewahre unverbrauchte Eingabe auf und rufe nach dem letzten Block flush(...) auf. Währenddessen darfst du die einargumentige Variante nicht aufrufen.
Beispiele
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));
}
}Ergebnis
windows-1250 -> UTF-8: C4 84 REPORT: MalformedInputException REPLACE: U+FFFD
`A5` steht in windows-1250 für `U+0104`, in UTF-8 geschrieben als `C4 84`. Ein separater Test verwendet ein einzelnes `C3`, den Anfang einer unvollständigen UTF-8-Folge: `REPORT` wirft eine Ausnahme, `REPLACE` liefert `U+FFFD`. Die Hexausgabe ist unabhängig von der Unicode-Darstellung des Terminals.
Zugehörige Lektionen
- Java · Lektion 51 · Fortgeschritten · Version: 2