it-swarm.dev

Convertendo UTF-8 para ISO-8859-1 em Java

Eu estou tentando converter uma string codificada em Java em UTF-8 para ISO-8859-1. Digamos, por exemplo, na string ''abcd' '' 'é representado em ISO-8859-1 como E2. Em UTF-8 é representado como dois bytes. C3 A2 eu acredito. Quando eu faço um getbytes (codificação) e, em seguida, criar uma nova string com os bytes na codificação ISO-8859-1, recebo dois caracteres diferentes. Ã ¢. Existe alguma outra maneira de fazer isso de modo a manter o personagem o mesmo, ou seja, "abcd"?

57
luckylak

Se você está lidando com codificações de caracteres diferentes de UTF-16, você não deveria estar usando Java.lang.String ou a primitiva char - você deve usar somente byte[] arrays ou ByteBuffer objects. Então, você pode usar Java.nio.charset.Charset para converter entre codificações:

Charset utf8charset = Charset.forName("UTF-8");
Charset iso88591charset = Charset.forName("ISO-8859-1");

ByteBuffer inputBuffer = ByteBuffer.wrap(new byte[]{(byte)0xC3, (byte)0xA2});

// decode UTF-8
CharBuffer data = utf8charset.decode(inputBuffer);

// encode ISO-8559-1
ByteBuffer outputBuffer = iso88591charset.encode(data);
byte[] outputData = outputBuffer.array();
98
Adam Rosenfield
byte[] iso88591Data = theString.getBytes("ISO-8859-1");

Vai fazer o truque. De sua descrição, parece que você está tentando "armazenar uma seqüência de caracteres ISO-8859-1". Os objetos String em Java são sempre implicitamente codificados em UTF-16. Não há como alterar essa codificação.

O que você pode fazer, no entanto, é obter os bytes que constituem alguma outra codificação dele (usando o método .getBytes () como mostrado acima).

31
Joachim Sauer

Começando com um conjunto de bytes que codificam uma string usando UTF-8, cria uma string a partir desses dados e, em seguida, obtém alguns bytes codificando a string em uma codificação diferente:

    byte[] utf8bytes = { (byte)0xc3, (byte)0xa2, 0x61, 0x62, 0x63, 0x64 };
    Charset utf8charset = Charset.forName("UTF-8");
    Charset iso88591charset = Charset.forName("ISO-8859-1");

    String string = new String ( utf8bytes, utf8charset );

    System.out.println(string);

    // "When I do a getbytes(encoding) and "
    byte[] iso88591bytes = string.getBytes(iso88591charset);

    for ( byte b : iso88591bytes )
        System.out.printf("%02x ", b);

    System.out.println();

    // "then create a new string with the bytes in ISO-8859-1 encoding"
    String string2 = new String ( iso88591bytes, iso88591charset );

    // "I get a two different chars"
    System.out.println(string2);

isto gera strings e os bytes iso88591 corretamente:

âabcd 
e2 61 62 63 64 
âabcd

Então, sua matriz de bytes não foi emparelhada com a codificação correta: 

    String failString = new String ( utf8bytes, iso88591charset );

    System.out.println(failString);

Saídas

âabcd

(ou isso, ou você apenas escreveu o utf8 bytes em um arquivo e os leu em outro lugar como iso88591)

7
Pete Kirkham

Isso é o que eu precisava:

public static byte[] encode(byte[] arr, String fromCharsetName) {
    return encode(arr, Charset.forName(fromCharsetName), Charset.forName("UTF-8"));
}

public static byte[] encode(byte[] arr, String fromCharsetName, String targetCharsetName) {
    return encode(arr, Charset.forName(fromCharsetName), Charset.forName(targetCharsetName));
}

public static byte[] encode(byte[] arr, Charset sourceCharset, Charset targetCharset) {

    ByteBuffer inputBuffer = ByteBuffer.wrap( arr );

    CharBuffer data = sourceCharset.decode(inputBuffer);

    ByteBuffer outputBuffer = targetCharset.encode(data);
    byte[] outputData = outputBuffer.array();

    return outputData;
}
1
Kåre Jonsson

Para arquivos que codificam ...

public class FRomUtf8ToIso {
        static File input = new File("C:/Users/admin/Desktop/pippo.txt");
        static File output = new File("C:/Users/admin/Desktop/ciccio.txt");


    public static void main(String[] args) throws IOException {

        BufferedReader br = null;

        FileWriter fileWriter = new FileWriter(output);
        try {

            String sCurrentLine;

            br = new BufferedReader(new FileReader( input ));

            int i= 0;
            while ((sCurrentLine = br.readLine()) != null) {
                byte[] isoB =  encode( sCurrentLine.getBytes() );
                fileWriter.write(new String(isoB, Charset.forName("ISO-8859-15") ) );
                fileWriter.write("\n");
                System.out.println( i++ );
            }

        } catch (IOException e) {
            e.printStackTrace();
        } finally {
            try {
                fileWriter.flush();
                fileWriter.close();
                if (br != null)br.close();
            } catch (IOException ex) {
                ex.printStackTrace();
            }
        }

    }


    static byte[] encode(byte[] arr){
        Charset utf8charset = Charset.forName("UTF-8");
        Charset iso88591charset = Charset.forName("ISO-8859-15");

        ByteBuffer inputBuffer = ByteBuffer.wrap( arr );

        // decode UTF-8
        CharBuffer data = utf8charset.decode(inputBuffer);

        // encode ISO-8559-1
        ByteBuffer outputBuffer = iso88591charset.encode(data);
        byte[] outputData = outputBuffer.array();

        return outputData;
    }

}
0
Frizz1977

Se você tiver a codificação correta na string, não precisará fazer mais para obter os bytes para outra codificação.

public static void main(String[] args) throws Exception {
    printBytes("â");
    System.out.println(
            new String(new byte[] { (byte) 0xE2 }, "ISO-8859-1"));
    System.out.println(
            new String(new byte[] { (byte) 0xC3, (byte) 0xA2 }, "UTF-8"));
}

private static void printBytes(String str) {
    System.out.println("Bytes in " + str + " with ISO-8859-1");
    for (byte b : str.getBytes(StandardCharsets.ISO_8859_1)) {
        System.out.printf("%3X", b);
    }
    System.out.println();
    System.out.println("Bytes in " + str + " with UTF-8");
    for (byte b : str.getBytes(StandardCharsets.UTF_8)) {
        System.out.printf("%3X", b);
    }
    System.out.println();
}

Saída:

Bytes in â with ISO-8859-1
 E2
Bytes in â with UTF-8
 C3 A2
â
â
0
Paul Vargas

Além da resposta de Adam Rosenfield, gostaria de acrescentar que ByteBuffer.array() retorna a matriz de bytes subjacente do buffer, que não é necessariamente "aparada" até o último caractere. Manipulação extra será necessária, como as mencionadas em this answer; em particular:

byte[] b = new byte[bb.remaining()]
bb.get(b);
0
Chadi