CKTIS / Java
Codificar cadenas de Java en UTF-8 y UTF-16BE
Convierte texto en bytes con `String.getBytes(Charset)`. Aprende por qué `Euro €` ocupa 8 bytes en UTF-8 y 12 en UTF-16BE y por qué UTF-16BE no siempre usa dos bytes por punto de código.
Versión: Java SE 21
Sintaxis
import java.nio.charset.StandardCharsets;
byte[] utf8 = text.getBytes(StandardCharsets.UTF_8);
byte[] utf16be = text.getBytes(StandardCharsets.UTF_16BE);StandardCharsets.UTF_8 y StandardCharsets.UTF_16BE son constantes de tipo Charset del paquete java.nio.charset. Ambas están disponibles en todas las implementaciones de Java SE 21. String.getBytes(Charset) codifica el texto en un nuevo array byte[]. Al trabajar con un archivo o un protocolo, indica explícitamente la codificación requerida. Sin argumentos, getBytes() usa la codificación predeterminada de la JVM, que en Java SE 21 es UTF-8, salvo que se cambie de una forma específica de la implementación.
UTF-8 usa de 1 a 4 bytes por valor escalar Unicode, es decir, por punto de código fuera del intervalo de sustitutos U+D800–U+DFFF. UTF-16BE escribe cada unidad de código de 16 bits en dos bytes, con el byte más significativo primero. No añade una marca de orden de bytes (BOM). En cambio, StandardCharsets.UTF_16 escribe una BOM y usa el orden big-endian al codificar.
Euro € contiene cinco caracteres ASCII, incluido el espacio, más €. Son 5 × 1 + 3 = 8 bytes en UTF-8 y 6 × 2 = 12 en UTF-16BE. Un punto de código suplementario como 😀 (U+1F600) requiere un par de sustitutos: dos unidades de código y 4 bytes en UTF-16BE. En UTF-8 también ocupa 4 bytes. String.length() cuenta unidades de código UTF-16; bytes.length cuenta bytes.
La sobrecarga getBytes(String) recibe un nombre de codificación y lanza la excepción comprobada UnsupportedEncodingException si esa codificación no está admitida. Si el texto no se puede codificar, el comportamiento de getBytes(String) y getBytes() no está especificado. getBytes(Charset) sustituye las secuencias mal formadas o no representables por los bytes de reemplazo predeterminados de la codificación. Para notificar errores en vez de sustituir la entrada, usa un CharsetEncoder con CodingErrorAction.REPORT para ambos tipos de error.
Ejemplos
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);
}
}Resultado
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
Las dos primeras líneas corresponden a `Euro €`, incluido el espacio, y las dos últimas a `😀`. El programa muestra la longitud del array y sus bytes en hexadecimal, no los caracteres de entrada.
Lecciones relacionadas
- Java · Lección 50 · Avanzado · Versión: 2