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[] -> StringPreopterećena 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
- Java SE 21 API — String(byte[], Charset)
- Java SE 21 API — String.getBytes(Charset) and other overloads
- Java SE 21 API — StandardCharsets.UTF_8
- Java SE 21 API — Charset.defaultCharset()
- Java SE 21 API — CharsetEncoder
- Java SE 21 API — CharsetDecoder
- Java SE 21 API — CodingErrorAction.REPORT
- Java SE 21 API — MessageDigest