Baza znanjaIzpitno središče
SLSlovenščina
Izberi jezik13

CKTIS / Java

Pretvorba iz windows-1250 v UTF-8 in obravnava napak pri dekodiranju

Pretvori bajte iz windows-1250 v UTF-8: najprej jih dekodiraj v znake Unicode, nato jih znova kodiraj. Za vsako vrsto napake določi, kako naj se dekodirnik odzove.

Različica: Java SE 21

Sintaksa

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 metoda Charset.forName(String) iz paketa java.nio.charset poišče kodiranje po kanoničnem imenu ali vzdevku. Pri neveljavnem imenu sproži IllegalCharsetNameException, pri nepodprtem kodiranju pa UnsupportedCharsetException. Preobremenjena različica forName(String, Charset), ki je na voljo od Jave 18, v obeh primerih vrne nadomestno vrednost, ki je lahko null. Obe različici zavrneta ime null z izjemo IllegalArgumentException.

Z newDecoder() izvornega kodiranja preberi bajte kot znake Unicode, nato z newEncoder() ciljnega kodiranja zapiši nove bajte. Oracle JDK 21 podpira windows-1250, vendar Java SE tega ne zahteva. StandardCharsets.UTF_8 je zagotovljen. Če kodiranje znakov v bajte ni podprto, newEncoder() sproži UnsupportedOperationException. Dekodirniki in kodirniki hranijo stanje in niso varni za sočasno uporabo iz več niti.

onMalformedInput(action) obravnava zaporedja bajtov, ki kršijo pravila kodiranja; onUnmappableCharacter(action) obravnava pravilno oblikovana zaporedja brez ustreznika v Unicode. Obe metodi spremenita in vrneta isti dekodirnik. Privzeti REPORT sporoči napako, REPLACE vstavi nadomestno besedilo (sprva U+FFFD), IGNORE pa napačni vhod preskoči. Z zamenjavo ali preskokom izgubiš informacije. Uporabi REPORT, kadar napake ne smejo ostati skrite, toda to ni dokaz, da si izbral pravo izvorno kodiranje. Bližnjica Charset.decode(...) uporabi nadomestilo pri obeh vrstah napak.

Metodi z enim argumentom, CharsetDecoder.decode(ByteBuffer) in CharsetEncoder.encode(CharBuffer), prebereta preostali vhod in vrneta nov CharBuffer oziroma ByteBuffer. Pri REPORT napaka sproži MalformedInputException ali UnmappableCharacterException, ki sta podrazreda CharacterCodingException. Za obdelavo po delih uporabi različico z izhodnim medpomnilnikom in zastavico endOfInput: preveri CoderResult, ohrani neporabljeni vhod in po zadnjem delu pokliči flush(...). Med tem postopkom ne kliči različice z enim argumentom.

Primeri

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));
    }
}

Rezultat

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

Bajt `A5` v windows-1250 pomeni `U+0104`, ki se v UTF-8 zapiše kot `C4 84`. V ločenem preizkusu je osamljeni bajt `C3` začetek nepopolnega zaporedja UTF-8: `REPORT` sproži izjemo, `REPLACE` pa vrne `U+FFFD`. Šestnajstiški izpis ni odvisen od tega, kako terminal prikazuje Unicode.

Povezane lekcije

  • Java · Lekcija 51 · Napredna · Različica: 2

Viri