CKTIS / Java
Convertir windows-1250 en UTF-8 et gérer les erreurs de décodage
Convertissez des octets windows-1250 en UTF-8 en les décodant d’abord en caractères Unicode, puis en les réencodant. Choisissez comment le décodeur réagit à chaque type d’erreur.
Version : Java SE 21
Syntaxe
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) -> CoderResultDans Java SE 21, Charset.forName(String), dans java.nio.charset, recherche un encodage par son nom canonique ou par un alias. Un nom invalide déclenche IllegalCharsetNameException ; un nom non pris en charge, UnsupportedCharsetException. La surcharge forName(String, Charset), disponible depuis Java 18, renvoie la valeur de repli (éventuellement null) dans les deux cas. Les deux surcharges rejettent un nom null avec IllegalArgumentException.
Appelez newDecoder() sur l’encodage source pour lire les octets comme des caractères Unicode, puis newEncoder() sur l’encodage cible pour produire de nouveaux octets. Oracle JDK 21 prend en charge windows-1250, mais Java SE ne l’impose pas. En revanche, StandardCharsets.UTF_8 est garanti. Si l’encodage ne permet pas de convertir des caractères en octets, newEncoder() lève UnsupportedOperationException. Les décodeurs et encodeurs ont un état et ne sont pas conçus pour un accès concurrent.
onMalformedInput(action) traite les séquences d’octets qui enfreignent les règles de l’encodage ; onUnmappableCharacter(action) traite celles qui sont valides sur le plan structurel, mais sans équivalent Unicode. Les deux méthodes modifient et renvoient le même décodeur. Par défaut, REPORT signale l’erreur ; REPLACE insère le texte de remplacement (initialement U+FFFD) ; IGNORE omet l’entrée fautive. Remplacer ou omettre entraîne une perte d’information. Utilisez REPORT pour éviter les erreurs silencieuses, sans y voir une preuve que l’encodage source est le bon. Le raccourci Charset.decode(...) effectue un remplacement pour les deux types d’erreurs.
Les méthodes à un argument CharsetDecoder.decode(ByteBuffer) et CharsetEncoder.encode(CharBuffer) lisent l’entrée restante et renvoient respectivement un nouveau CharBuffer ou ByteBuffer. Avec REPORT, une erreur lève MalformedInputException ou UnmappableCharacterException, deux sous-classes de CharacterCodingException. Pour traiter les données par blocs, utilisez la surcharge avec tampon de sortie et indicateur endOfInput : examinez CoderResult, conservez l’entrée non consommée et appelez flush(...) après le dernier bloc. N’appelez pas la méthode à un argument pendant cette opération.
Exemples
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));
}
}Résultat
windows-1250 -> UTF-8: C4 84 REPORT: MalformedInputException REPLACE: U+FFFD
L’octet `A5` en windows-1250 représente `U+0104`, qui s’écrit `C4 84` en UTF-8. Dans un test distinct, un octet `C3` isolé commence une séquence UTF-8 incomplète : `REPORT` lève une exception, tandis que `REPLACE` produit `U+FFFD`. L’affichage hexadécimal ne dépend pas du rendu Unicode du terminal.
Leçons associées
- Java · Leçon 51 · Avancé · Version : 2