CKTIS / Java
Encoder les chaînes Java en UTF-8 et en UTF-16BE
Encodez du texte en octets avec `String.getBytes(Charset)`. Découvrez pourquoi `Euro €` occupe 8 octets en UTF-8 et 12 en UTF-16BE, et pourquoi UTF-16BE n’utilise pas toujours deux octets par point de code.
Version : Java SE 21
Syntaxe
import java.nio.charset.StandardCharsets;
byte[] utf8 = text.getBytes(StandardCharsets.UTF_8);
byte[] utf16be = text.getBytes(StandardCharsets.UTF_16BE);StandardCharsets.UTF_8 et StandardCharsets.UTF_16BE sont des constantes de type Charset du paquet java.nio.charset. Les deux sont disponibles dans toute implémentation de Java SE 21. String.getBytes(Charset) encode le texte dans un nouveau tableau byte[]. Pour un fichier ou un protocole, indiquez explicitement l’encodage exigé. Sans argument, getBytes() utilise l’encodage par défaut de la JVM : UTF-8 dans Java SE 21, sauf modification propre à l’implémentation.
UTF-8 utilise de 1 à 4 octets par valeur scalaire Unicode, c’est-à-dire par point de code hors de la plage des substituts U+D800–U+DFFF. UTF-16BE écrit chaque unité de code de 16 bits sur deux octets, en commençant par l’octet de poids fort. Il n’ajoute pas de marque d’ordre des octets (BOM). À l’inverse, StandardCharsets.UTF_16 écrit une BOM et utilise l’ordre gros-boutiste lors de l’encodage.
Euro € contient cinq caractères ASCII, espace compris, plus €. Cela donne 5 × 1 + 3 = 8 octets en UTF-8 et 6 × 2 = 12 en UTF-16BE. Un point de code supplémentaire comme 😀 (U+1F600) nécessite une paire de substituts : deux unités de code et 4 octets en UTF-16BE. Il occupe aussi 4 octets en UTF-8. String.length() compte les unités de code UTF-16, tandis que bytes.length compte les octets.
La surcharge getBytes(String) prend un nom d’encodage et lève l’exception contrôlée UnsupportedEncodingException si cet encodage n’est pas pris en charge. Si le texte ne peut pas être encodé, le comportement de getBytes(String) et de getBytes() n’est pas spécifié. getBytes(Charset) remplace les séquences mal formées ou non représentables par les octets de remplacement par défaut de l’encodage. Pour signaler les erreurs au lieu d’effectuer un remplacement, utilisez un CharsetEncoder avec CodingErrorAction.REPORT pour les deux types d’erreurs.
Exemples
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);
}
}Résultat
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
Les deux premières lignes correspondent à `Euro €`, espace compris, et les deux dernières à `😀`. Le programme affiche la longueur du tableau et ses octets en hexadécimal, pas les caractères d’entrée.
Leçons associées
- Java · Leçon 50 · Avancé · Version : 2