Baza znanjaCentar za ispite
HRHrvatski
Odaberi jezik13

CKTIS / Java

Kodiranje teksta u bajtove i dekodiranje bajtova u Javi

Izričito odaberi kodiranje kako bi obnovio tekst iz bajtova i dobio ponovljiv ulaz za izračun sažetka. Saznaj kada se neispravni nizovi zamjenjuju.

Verzija: Java SE 21

Sintaksa

import java.nio.charset.Charset;
import java.nio.charset.StandardCharsets;

Charset charset = StandardCharsets.UTF_8;
byte[] bytes = text.getBytes(charset);       // String -> byte[]
String decoded = new String(bytes, charset); // byte[] -> String

Preopterećena inačica getBytes(Charset) metode String.getBytes kodira tekst u novo polje byte[]. Konstruktor String(byte[],Charset) radi obrnuto: new String(bytes, charset) dekodira cijelo polje u novi znakovni niz. String.length() broji kodne jedinice UTF-16, a bytes.length broji bajtove.

Upotrijebi kodiranje koje zahtijeva format ili protokol. Za UTF-8 odaberi StandardCharsets.UTF_8, konstantu tipa Charset iz paketa java.nio.charset koju podržava svaka implementacija Jave. getBytes() i new String(bytes) koriste zadano kodiranje JVM-a: u Java SE 21 to je UTF-8, osim ako se promijeni na način svojstven implementaciji. Inačice koje primaju naziv kodiranja kao String bacaju UnsupportedEncodingException ako naziv nije podržan. Zastarjela metoda getBytes(int,int,byte[],int) kopira samo osam bitova najmanje težine svake vrijednosti char; ne služi za kodiranje teksta.

Inačice s parametrom Charset zamjenjuju neispravno oblikovane sekvence i sekvence koje se ne mogu preslikati. Pri kodiranju umeću zadane zamjenske bajtove odabranog kodiranja, a pri dekodiranju njegov zadani zamjenski znakovni niz. Za odbijanje obiju vrsta pogrešaka upotrijebi CharsetEncoder ili CharsetDecoder s CodingErrorAction.REPORT. Pri obradi cijelog međuspremnika jednim pozivom te pogreške uzrokuju CharacterCodingException. Uspješno dekodiranje ne dokazuje da je odabrano ispravno kodiranje.

Da provjeriš je li pretvorba bez gubitaka, upotrijebi isto kodiranje u oba smjera i usporedi dekodirani znakovni niz s izvornim. Kodiranje bez zamjena nije dovoljno: u nekim kodiranjima bajtovi dobiveni iz jednog znaka mogu se dekodirati u drugi znak. SHA-256 obrađuje bajtove, ne tekst: dogovori i kodiranje i točan oblik teksta, uključujući završetke redaka i normalizaciju Unicodea. Bajtove sažetka nemoj dekodirati kao tekst; prikaži ih heksadekadski.

Primjeri

import java.nio.charset.Charset;
import java.nio.charset.StandardCharsets;
import java.security.MessageDigest;
import java.security.NoSuchAlgorithmException;
import java.util.Arrays;

public class StringEncodingDemo {
    public static void main(String[] args) throws NoSuchAlgorithmException {
        Charset utf8 = StandardCharsets.UTF_8;
        String text = "x".repeat(39) + "\u00E9";
        byte[] utf8Bytes = text.getBytes(utf8);
        String decoded = new String(utf8Bytes, utf8);
        byte[] latin1Bytes = text.getBytes(StandardCharsets.ISO_8859_1);

        MessageDigest sha256 = MessageDigest.getInstance("SHA-256");
        byte[] originalDigest = sha256.digest(utf8Bytes);
        byte[] decodedDigest = sha256.digest(decoded.getBytes(utf8));

        System.out.println("utf16Units=" + text.length());
        System.out.println("utf8Bytes=" + utf8Bytes.length);
        System.out.println("latin1Bytes=" + latin1Bytes.length);
        System.out.println("roundTrip=" + text.equals(decoded));
        System.out.println("sameSha256AfterRoundTrip=" + Arrays.equals(originalDigest, decodedDigest));
    }
}

Rezultat

utf16Units=40
utf8Bytes=41
latin1Bytes=40
roundTrip=true
sameSha256AfterRoundTrip=true

39 znakova `x` i jedno `é` zauzimaju 40 kodnih jedinica UTF-16 i 41 bajt u UTF-8. ISO-8859-1 za isti tekst koristi 40 bajtova. Dekodiranje i ponovno kodiranje u UTF-8 daju iste bajtove, pa SHA-256 daje isti sažetak.

Povezane lekcije

  • Java · Lekcija 62 · Napredno · Verzija: 2
  • Java · Lekcija 63 · Napredno · Verzija: 2

Izvori