CKTIS / Java
windows-1250 omzetten naar UTF-8 en decodeerfouten afhandelen
Zet windows-1250-bytes om naar UTF-8 door ze eerst naar Unicode-tekens te decoderen en daarna opnieuw te coderen. Bepaal per foutsoort hoe de decoder moet reageren.
Versie: Java SE 21
Syntax
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) -> CoderResultIn Java SE 21 zoekt Charset.forName(String) uit java.nio.charset een tekencodering op aan de hand van de canonieke naam of een alias. Een ongeldige naam leidt tot IllegalCharsetNameException, een niet-ondersteunde codering tot UnsupportedCharsetException. De overload forName(String, Charset), beschikbaar sinds Java 18, retourneert in beide gevallen de terugvalwaarde, die ook null mag zijn. Beide overloads weigeren een null-naam met IllegalArgumentException.
Roep newDecoder() aan op de broncodering om bytes als Unicode-tekens te lezen. Roep vervolgens newEncoder() aan op de doelcodering om nieuwe bytes te schrijven. Oracle JDK 21 ondersteunt windows-1250, maar Java SE vereist dit niet; StandardCharsets.UTF_8 is wel gegarandeerd. Ondersteunt een tekencodering het coderen naar bytes niet, dan gooit newEncoder() een UnsupportedOperationException. Decoders en encoders houden toestand bij en zijn niet threadveilig.
onMalformedInput(action) behandelt bytereeksen die de regels van de codering schenden; onUnmappableCharacter(action) behandelt correct gevormde reeksen zonder Unicode-equivalent. Beide methoden wijzigen dezelfde decoder en geven die terug. Standaard meldt REPORT de fout; REPLACE voegt vervangende tekst in (aanvankelijk U+FFFD); IGNORE slaat de foutieve invoer over. Vervangen en overslaan leiden tot informatieverlies. Gebruik REPORT als fouten niet stilzwijgend mogen passeren, maar zie het niet als bewijs dat je de juiste broncodering hebt gekozen. De verkorte methode Charset.decode(...) vervangt bij beide soorten fouten.
De methoden met één argument, CharsetDecoder.decode(ByteBuffer) en CharsetEncoder.encode(CharBuffer), lezen de resterende invoer en geven respectievelijk een nieuwe CharBuffer en ByteBuffer terug. Met REPORT leidt een coderingsfout tot MalformedInputException of UnmappableCharacterException, beide subklassen van CharacterCodingException. Gebruik voor verwerking in delen de overload met uitvoerbuffer en de vlag endOfInput: controleer CoderResult, bewaar onverbruikte invoer en roep na het laatste deel flush(...) aan. Roep tijdens die bewerking de variant met één argument niet aan.
Voorbeelden
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));
}
}Resultaat
windows-1250 -> UTF-8: C4 84 REPORT: MalformedInputException REPLACE: U+FFFD
De byte `A5` in windows-1250 staat voor `U+0104`, in UTF-8 geschreven als `C4 84`. In een aparte test begint een losse `C3` een onvolledige UTF-8-reeks: `REPORT` gooit een uitzondering en `REPLACE` levert `U+FFFD` op. Hexadecimale uitvoer is niet afhankelijk van de Unicode-weergave van de terminal.
Gerelateerde lessen
- Java · Les 51 · Gevorderd · Versie: 2