Base di conoscenzaCentro esami
ITItaliano
Scegli la lingua13

CKTIS / Java

Codificare le stringhe Java in UTF-8 e UTF-16BE

Trasforma il testo in byte con `String.getBytes(Charset)`. Scopri perché `Euro €` occupa 8 byte in UTF-8 e 12 in UTF-16BE e perché UTF-16BE non usa sempre due byte per punto di codice.

Versione: Java SE 21

Sintassi

import java.nio.charset.StandardCharsets;

byte[] utf8 = text.getBytes(StandardCharsets.UTF_8);
byte[] utf16be = text.getBytes(StandardCharsets.UTF_16BE);

StandardCharsets.UTF_8 e StandardCharsets.UTF_16BE sono costanti di tipo Charset del package java.nio.charset. Entrambe sono disponibili in ogni implementazione di Java SE 21. String.getBytes(Charset) codifica il testo in un nuovo array byte[]. Per un file o un protocollo, specifica esplicitamente la codifica richiesta. Senza argomenti, getBytes() usa la codifica predefinita della JVM: UTF-8 in Java SE 21, salvo modifiche specifiche dell’implementazione.

UTF-8 usa da 1 a 4 byte per valore scalare Unicode, cioè per punto di codice al di fuori dell’intervallo dei surrogati U+D800–U+DFFF. UTF-16BE scrive ogni unità di codice a 16 bit in due byte, con il byte più significativo per primo. Non aggiunge un indicatore dell’ordine dei byte (BOM). Al contrario, StandardCharsets.UTF_16 scrive un BOM e usa l’ordine big-endian durante la codifica.

Euro € contiene cinque caratteri ASCII, incluso lo spazio, più €. Sono 5 × 1 + 3 = 8 byte in UTF-8 e 6 × 2 = 12 in UTF-16BE. Un punto di codice supplementare come 😀 (U+1F600) richiede una coppia di surrogati: due unità di codice e 4 byte in UTF-16BE. Occupa 4 byte anche in UTF-8. String.length() conta le unità di codice UTF-16, mentre bytes.length conta i byte.

L’overload getBytes(String) accetta un nome di codifica e solleva l’eccezione controllata UnsupportedEncodingException se la codifica non è supportata. Se il testo non è codificabile, il comportamento di getBytes(String) e getBytes() non è specificato. getBytes(Charset) sostituisce le sequenze malformate o non rappresentabili con i byte sostitutivi predefiniti della codifica. Per segnalare gli errori invece di sostituire l’input, usa un CharsetEncoder con CodingErrorAction.REPORT per entrambi i tipi di errore.

Esempi

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);
    }
}

Risultato

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

Le prime due righe si riferiscono a `Euro €`, spazio incluso, e le ultime due a `😀`. Il programma stampa la lunghezza dell’array e i suoi byte in esadecimale, non i caratteri di input.

Lezioni correlate

  • Java · Lezione 50 · Avanzato · Versione: 2

Fonti