Znalostná bázaCentrum skúšok
SKSlovenčina
Vybrať jazyk13

CKTIS / Java

Prevod z windows-1250 do UTF-8 a spracovanie chýb dekódovania

Preveď bajty z windows-1250 do UTF-8: najprv ich dekóduj na znaky Unicode a potom ich znova zakóduj. Pre každý typ chyby vyber, ako má dekodér reagovať.

Verzia: 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) -> CoderResult

V Java SE 21 vyhľadáva Charset.forName(String) z balíka java.nio.charset kódovanie podľa kanonického názvu alebo aliasu. Neplatný názov vyvolá IllegalCharsetNameException, nepodporované kódovanie UnsupportedCharsetException. Preťažená verzia forName(String, Charset), dostupná od Javy 18, v oboch prípadoch vráti náhradnú hodnotu, ktorá môže byť null. Obe verzie odmietnu názov null výnimkou IllegalArgumentException.

Pomocou newDecoder() zdrojového kódovania čítaj bajty ako znaky Unicode a pomocou newEncoder() cieľového kódovania zapíš nové bajty. Oracle JDK 21 podporuje windows-1250, ale Java SE ho nevyžaduje. StandardCharsets.UTF_8 je zaručené. Ak dané kódovanie nepodporuje prevod znakov na bajty, newEncoder() vyvolá UnsupportedOperationException. Dekodéry a kodéry uchovávajú stav a nie sú bezpečné pri súbežnom používaní z viacerých vlákien.

onMalformedInput(action) rieši sekvencie bajtov, ktoré porušujú pravidlá kódovania; onUnmappableCharacter(action) rieši správne vytvorené sekvencie bez zodpovedajúceho zápisu v Unicode. Obe metódy upravia a vrátia ten istý dekodér. Predvolená akcia REPORT oznámi chybu, REPLACE vloží náhradný text (spočiatku U+FFFD) a IGNORE chybný vstup preskočí. Nahradením aj preskočením sa strácajú informácie. Použi REPORT, ak chyby nesmú prejsť bez povšimnutia, ale nepovažuj ho za dôkaz správneho výberu zdrojového kódovania. Skrátená metóda Charset.decode(...) vykoná náhradu pri oboch typoch chýb.

Jednoargumentové metódy CharsetDecoder.decode(ByteBuffer) a CharsetEncoder.encode(CharBuffer) prečítajú zvyšný vstup a vrátia nový CharBuffer, respektíve ByteBuffer. Pri REPORT vyvolá chyba MalformedInputException alebo UnmappableCharacterException, obe odvodené od CharacterCodingException. Pri spracovaní po blokoch použi verziu s výstupným bufferom a príznakom endOfInput: kontroluj CoderResult, ponechaj nespotrebovaný vstup a po poslednom bloku zavolaj flush(...). Počas tejto operácie nevolaj jednoargumentovú verziu.

Príklady

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));
    }
}

Výsledok

windows-1250 -> UTF-8: C4 84
REPORT: MalformedInputException
REPLACE: U+FFFD

Bajt `A5` v kódovaní windows-1250 predstavuje `U+0104`, ktorý sa v UTF-8 zapisuje ako `C4 84`. V samostatnom teste je osamotený bajt `C3` začiatkom neúplnej sekvencie UTF-8: `REPORT` vyvolá výnimku a `REPLACE` vráti `U+FFFD`. Šestnástkový výstup nezávisí od toho, ako terminál zobrazuje Unicode.

Súvisiace lekcie

  • Java · Lekcia 51 · Pokročilá · Verzia: 2

Zdroje