CKTIS / Java
Kódovanie textu na bajty a dekódovanie bajtov v Jave
Zadaj kódovanie výslovne, aby si obnovil text z bajtov a získal reprodukovateľný vstup na výpočet hašu. Zisti, kedy sa neplatné sekvencie nahrádzajú.
Verzia: Java SE 21
Syntax
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[] -> StringPreťaženie getBytes(Charset) metódy String.getBytes zakóduje text do nového poľa byte[]. Konštruktor String(byte[],Charset) pracuje opačne: new String(bytes, charset) dekóduje celé pole do nového reťazca. String.length() počíta kódové jednotky UTF-16, kým bytes.length počíta bajty.
Použi kódovanie požadované formátom alebo protokolom. Pre UTF-8 zvoľ StandardCharsets.UTF_8, konštantu typu Charset z balíka java.nio.charset, ktorú podporuje každá implementácia Javy. getBytes() a new String(bytes) používajú predvolené kódovanie JVM: v Java SE 21 je to UTF-8, pokiaľ sa nezmení spôsobom závislým od implementácie. Preťaženia prijímajúce názov kódovania ako String pri nepodporovanom názve vyvolajú UnsupportedEncodingException. Zastaraná metóda getBytes(int,int,byte[],int) iba kopíruje osem najnižších bitov každej hodnoty char; neslúži na kódovanie textu.
Preťaženia s Charset nahrádzajú chybne utvorené sekvencie a sekvencie bez zodpovedajúceho prevodu. Pri kódovaní vkladajú predvolené náhradné bajty daného kódovania, pri dekódovaní jeho predvolený náhradný reťazec. Ak chceš odmietnuť oba druhy chýb, použi CharsetEncoder alebo CharsetDecoder s CodingErrorAction.REPORT. Pri spracovaní celého vstupného buffera jedným volaním takéto chyby vyvolajú CharacterCodingException. Úspešné dekódovanie nedokazuje, že zvolené kódovanie je správne.
Ak chceš overiť, či sa text pri prevode tam a späť nezmení, použi v oboch smeroch rovnaké kódovanie a porovnaj dekódovaný reťazec s pôvodným. Kódovanie bez náhrad nestačí: v niektorých kódovaniach sa bajty získané z jedného znaku môžu dekódovať na iný znak. SHA-256 spracúva bajty, nie text: dohodni kódovanie aj presnú podobu textu vrátane koncov riadkov a normalizácie Unicode. Bajty hašu nedekóduj ako text; zobraz ich v šestnástkovej sústave.
Príklady
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));
}
}Výsledok
utf16Units=40 utf8Bytes=41 latin1Bytes=40 roundTrip=true sameSha256AfterRoundTrip=true
39 znakov `x` a jedno `é` zaberá 40 kódových jednotiek UTF-16 a 41 bajtov v UTF-8. ISO-8859-1 použije na rovnaký text 40 bajtov. Dekódovaním a opätovným zakódovaním v UTF-8 vzniknú rovnaké bajty, takže SHA-256 vráti rovnaký výsledok.
Súvisiace lekcie
- Java · Lekcia 62 · Pokročilá · Verzia: 2
- Java · Lekcia 63 · Pokročilá · Verzia: 2
Zdroje
- 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