CKTIS / Java
Pretvorba iz windows-1250 u UTF-8 i obrada pogrešaka dekodiranja
Pretvori bajtove iz windows-1250 u UTF-8 tako da ih prvo dekodiraš u znakove Unicode pa ponovno kodiraš. Za svaku vrstu pogreške odredi kako dekoder treba reagirati.
Verzija: Java SE 21
Sintaksa
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) -> CoderResultU Java SE 21 metoda Charset.forName(String) iz paketa java.nio.charset traži kodiranje po kanonskom nazivu ili aliasu. Nevaljan naziv uzrokuje IllegalCharsetNameException, a nepodržano kodiranje UnsupportedCharsetException. Preopterećena inačica forName(String, Charset), dostupna od Jave 18, u oba slučaja vraća zamjensku vrijednost, koja može biti null. Obje inačice odbijaju naziv null iznimkom IllegalArgumentException.
Pozovi newDecoder() na izvornom kodiranju za čitanje bajtova kao znakova Unicode, a newEncoder() na ciljnom kodiranju za zapis novih bajtova. Oracle JDK 21 podržava windows-1250, no Java SE to ne zahtijeva. StandardCharsets.UTF_8 je zajamčen. Ako kodiranje znakova u bajtove nije podržano, newEncoder() baca UnsupportedOperationException. Dekoderi i koderi čuvaju stanje i nisu sigurni za istodobnu uporabu iz više dretvi.
onMalformedInput(action) obrađuje nizove bajtova koji krše pravila kodiranja; onUnmappableCharacter(action) obrađuje pravilno oblikovane nizove koji nemaju odgovarajući zapis u Unicodeu. Obje metode mijenjaju i vraćaju isti dekoder. Zadani REPORT prijavljuje pogrešku, REPLACE umeće zamjenski tekst (u početku U+FFFD), a IGNORE preskače neispravan ulaz. Zamjena i preskakanje dovode do gubitka podataka. Upotrijebi REPORT kad pogreške ne smiju proći nezapaženo, ali to nije dokaz da je izvorno kodiranje pravilno odabrano. Prečac Charset.decode(...) primjenjuje zamjenu za obje vrste pogrešaka.
Metode s jednim argumentom, CharsetDecoder.decode(ByteBuffer) i CharsetEncoder.encode(CharBuffer), čitaju preostali ulaz i vraćaju novi CharBuffer, odnosno ByteBuffer. Uz REPORT pogreška uzrokuje MalformedInputException ili UnmappableCharacterException, obje podklase klase CharacterCodingException. Za obradu u dijelovima upotrijebi inačicu s izlaznim međuspremnikom i zastavicom endOfInput: provjeri CoderResult, sačuvaj nepotrošeni ulaz i nakon posljednjeg dijela pozovi flush(...). Tijekom tog postupka ne pozivaj inačicu s jednim argumentom.
Primjeri
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));
}
}Rezultat
windows-1250 -> UTF-8: C4 84 REPORT: MalformedInputException REPLACE: U+FFFD
Bajt `A5` u kodiranju windows-1250 predstavlja `U+0104`, koji se u UTF-8 zapisuje kao `C4 84`. U zasebnom testu samostalni bajt `C3` početak je nepotpunog niza UTF-8: `REPORT` baca iznimku, a `REPLACE` daje `U+FFFD`. Heksadekadski ispis ne ovisi o tome kako terminal prikazuje Unicode.
Povezane lekcije
- Java · Lekcija 51 · Napredno · Verzija: 2