CKTIS / Java
Codificar texto em bytes e descodificar bytes em Java
Escolhe uma codificação explícita para recuperar texto a partir de bytes e obter uma entrada reproduzível para um hash. Aprende quando são substituídas sequências inválidas.
Versão: Java SE 21
Sintaxe
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[] -> StringA sobrecarga getBytes(Charset) de String.getBytes codifica o texto num novo array byte[]. O construtor String(byte[],Charset) faz o inverso: new String(bytes, charset) descodifica todo o array numa nova cadeia de caracteres. String.length() conta unidades de código UTF-16; bytes.length conta bytes.
Usa a codificação exigida pelo formato ou protocolo. Para UTF-8, escolhe StandardCharsets.UTF_8, uma constante de tipo Charset do pacote java.nio.charset, suportada por todas as implementações de Java. getBytes() e new String(bytes) usam a codificação predefinida da JVM: UTF-8 no Java SE 21, a menos que seja alterada de forma específica à implementação. As sobrecargas que recebem o nome da codificação como String lançam UnsupportedEncodingException se o nome não for suportado. O método obsoleto getBytes(int,int,byte[],int) só copia os oito bits menos significativos de cada char; não serve para codificar texto.
As sobrecargas com Charset substituem sequências malformadas ou sem correspondência. Ao codificar, inserem os bytes de substituição predefinidos da codificação; ao descodificar, a cadeia de substituição predefinida. Para rejeitar ambos os tipos de erro, usa CharsetEncoder ou CharsetDecoder com CodingErrorAction.REPORT. Ao processar um buffer completo numa única chamada, esses erros lançam CharacterCodingException. Uma descodificação bem-sucedida não prova que a codificação escolhida seja a correta.
Para verificar se a conversão é feita sem perdas, usa a mesma codificação nos dois sentidos e compara a cadeia descodificada com a original. Codificar sem substituições não basta: em algumas codificações, os bytes obtidos a partir de um carácter podem dar origem a um carácter diferente ao serem descodificados. O SHA-256 processa bytes, não texto: define tanto a codificação como a forma exata do texto, incluindo os fins de linha e a normalização Unicode. Não descodifiques os bytes do hash como texto; apresenta-os em hexadecimal.
Exemplos
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));
}
}Resultado
utf16Units=40 utf8Bytes=41 latin1Bytes=40 roundTrip=true sameSha256AfterRoundTrip=true
39 caracteres `x` e um `é` ocupam 40 unidades de código UTF-16 e 41 bytes em UTF-8. A ISO-8859-1 usa 40 bytes para o mesmo texto. Descodificar e voltar a codificar em UTF-8 recupera os mesmos bytes, pelo que o SHA-256 produz o mesmo resultado.
Lições relacionadas
- Java · Lição 62 · Avançado · Versão: 2
- Java · Lição 63 · Avançado · Versão: 2
Fontes
- 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