CKTIS / Java
Convertir de windows-1250 a UTF-8 y gestionar errores de decodificación
Convierte bytes de windows-1250 a UTF-8: primero decodifícalos a caracteres Unicode y luego vuelve a codificarlos. Elige cómo debe responder el decodificador a cada tipo de error.
Versión: Java SE 21
Sintaxis
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) -> CoderResultEn Java SE 21, Charset.forName(String), de java.nio.charset, busca una codificación por su nombre canónico o por un alias. Lanza IllegalCharsetNameException si el nombre no es válido y UnsupportedCharsetException si la codificación no está disponible. La sobrecarga forName(String, Charset), disponible desde Java 18, devuelve el valor alternativo (que puede ser null) en ambos casos. Las dos sobrecargas rechazan un nombre null con IllegalArgumentException.
Llama a newDecoder() en la codificación de origen para leer bytes como caracteres Unicode, y a newEncoder() en la de destino para escribir nuevos bytes. Oracle JDK 21 admite windows-1250, pero Java SE no lo exige; StandardCharsets.UTF_8 sí está garantizada. Si el juego de caracteres no admite la codificación de caracteres a bytes, newEncoder() lanza UnsupportedOperationException. Los decodificadores y codificadores tienen estado y no son seguros para el uso concurrente.
onMalformedInput(action) trata secuencias de bytes que infringen las reglas de la codificación; onUnmappableCharacter(action) trata secuencias bien formadas sin correspondencia en Unicode. Ambos métodos modifican y devuelven el mismo decodificador. REPORT, la opción predeterminada, notifica el error; REPLACE inserta el texto de sustitución (inicialmente U+FFFD); IGNORE omite la entrada errónea. Sustituir u omitir implica perder información. Usa REPORT si no puedes permitir errores silenciosos, pero no lo tomes como prueba de que elegiste bien la codificación de origen. El atajo Charset.decode(...) sustituye en ambos tipos de error.
Los métodos de un argumento CharsetDecoder.decode(ByteBuffer) y CharsetEncoder.encode(CharBuffer) leen la entrada restante y devuelven un nuevo CharBuffer o ByteBuffer, respectivamente. Con REPORT, un error lanza MalformedInputException o UnmappableCharacterException, ambas subclases de CharacterCodingException. Para procesar por bloques, usa la sobrecarga con búfer de salida e indicador endOfInput: comprueba CoderResult, conserva la entrada no consumida y llama a flush(...) después del último bloque. No uses la variante de un argumento mientras esa operación esté en curso.
Ejemplos
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));
}
}Resultado
windows-1250 -> UTF-8: C4 84 REPORT: MalformedInputException REPLACE: U+FFFD
El byte `A5` de windows-1250 representa `U+0104`, que en UTF-8 se escribe como `C4 84`. En una prueba aparte, un byte `C3` aislado inicia una secuencia UTF-8 incompleta: `REPORT` lanza una excepción y `REPLACE` produce `U+FFFD`. La salida hexadecimal no depende de cómo el terminal muestre Unicode.
Lecciones relacionadas
- Java · Lección 51 · Avanzado · Versión: 2