Класс Charset

public abstract class Charset
extends Object
implements Comparable<Charset>

Именованное отображение последовательностей шестнадцатибитных юникодных единиц кода на последовательности байтов. Этот класс определяет методы для создания декодеров и кодеров, а также для получения различных имён, связанных с набором символов. Экземпляры этого класса неизменяемы.

Этот класс также определяет статические методы для проверки поддержки конкретного набора символов, для поиска экземпляров наборов символов по имени и для построения карты, содержащей каждый набор символов, для которого доступна поддержка в текущей виртуальной машине Java. Поддержка новых наборов символов может быть добавлена с помощью интерфейса поставщика услуг, определённого в классе CharsetProvider.

Все методы, определённые в этом классе, безопасны для использования несколькими конкурирующими потоками.

Имена наборов символов

Наборы символов имеют имена, состоящие из следующих символов:

• Прописные буквы от 'A' до 'Z' ('\u0041' до '\u005a'),
• Строчные буквы от 'a' до 'z' ('\u0061' до '\u007a'),
• Цифры от '0' до '9' ('\u0030' до '\u0039'),
• Дефис '-' ('\u002d', ДЕФИС),
• Плюс '+' ('\u002b', ПЛЮС),
• Точка '.' ('\u002e', ТОЧКА),
• Двоеточие ':' ('\u003a', ДВОЕТОЧИЕ), и
• Подчёркивание '_' ('\u005f', ПОДЧЁРКИВАНИЕ).

Имя набора символов должно начинаться с буквы или цифры. Пустая строка не является допустимым именем набора символов. Имена наборов символов нечувствительны к регистру; то есть регистр всегда игнорируется при сравнении имён наборов символов. Имена наборов символов обычно следуют соглашениям, описанным в RFC 2278: Процедуры регистрации наборов символов IANA.

Каждый набор символов имеет каноническое имя и может также иметь одно или несколько псевдонимов. Каноническое имя возвращается методом name этого класса. Канонические имена, как правило, обычно записываются прописными буквами. Псевдонимы набора символов возвращаются методом aliases.

Некоторые наборы символов имеют историческое имя, определённое для совместимости с предыдущими версиями платформы Java. Историческое имя набора символов — это либо его каноническое имя, либо один из его псевдонимов. Историческое имя возвращается методами getEncoding() классов InputStreamReader и OutputStreamWriter.

Если набор символов, перечисленный в реестре наборов символов IANA, поддерживается реализацией платформы Java, то его каноническое имя должно совпадать с именем, указанным в реестре. Многие наборы символов имеют более одного имени в реестре, в этом случае реестр определяет одно из имён как предпочитаемое в MIME. Если у набора символов более одного имени в реестре, то его каноническим именем должно быть предпочтительное имя в MIME, а другие имена в реестре должны быть допустимыми псевдонимами. Если поддерживаемый набор символов не указан в реестре IANA, то его каноническое имя должно начинаться с одной из строк "X-" или "x-".

Реестр наборов символов IANA со временем изменяется, поэтому каноническое имя и псевдонимы конкретного набора символов также могут меняться со временем. Для обеспечения совместимости рекомендуется не удалять ни один псевдоним набора символов и, если каноническое имя набора символов изменено, сделать его предыдущее каноническое имя псевдонимом.

Стандартные наборы символов

Каждая реализация платформы Java обязана поддерживать следующие стандартные наборы символов. Обратитесь к документации к релизу вашей реализации, чтобы узнать, поддерживаются ли другие наборы символов. Поведение таких необязательных наборов символов может отличаться в разных реализациях.

Набор символов	Описание
US-ASCII	Семибитный ASCII, также известный как ISO646-US, также известный как блок «Основной латинский» набора символов Unicode
ISO-8859-1	ISO Латинский алфавит № 1, также известный как ISO-LATIN-1
UTF-8	Восьмибитный формат преобразования UCS
UTF-16BE	Шестнадцатибитный формат преобразования UCS, порядок байтов — big-endian
UTF-16LE	Шестнадцатибитный формат преобразования UCS, порядок байтов — little-endian
UTF-16	Шестнадцатибитный формат преобразования UCS, порядок байтов определяется необязательной меткой порядка байтов

Набор символов UTF-8 определяется в RFC 2279; формат преобразования, на котором он основан, указан в поправке 2 к ISO 10646-1 и также описан в стандарте Unicode.

Наборы символов UTF-16 определены в RFC 2781; форматы преобразования, на которых они основаны, определены в поправке 1 к ISO 10646-1 и также описаны в стандарте Unicode.

Наборы символов UTF-16 используют шестнадцатибитные значения и поэтому чувствительны к порядку байтов. В этих кодировках порядок байтов потока может быть указан начальной меткой порядка байтов, представленной символом Unicode '\uFEFF'. Метки порядка байтов обрабатываются следующим образом:

• При декодировании наборы символов UTF-16BE и UTF-16LE интерпретируют начальные метки порядка байтов как ПРОБЕЛ БЕЗ ШИРИНЫ И НЕРАЗРЫВНЫЙ; при кодировании они не записывают метки порядка байтов.

• При декодировании набор символов UTF-16 интерпретирует метку порядка байтов в начале входного потока для указания порядка байтов потока, но по умолчанию использует big-endian, если метка порядка байтов отсутствует; при кодировании он использует big-endian порядок байтов и записывает метку порядка байтов big-endian.

В любом случае метки порядка байтов, следующие за первым элементом последовательности ввода, не пропускаются, так как используется тот же код для представления ПРОБЕЛА БЕЗ ШИРИНЫ И НЕРАЗРЫВНОГО.

Каждая виртуальная машина Java имеет набор символов по умолчанию, который может быть или не быть одним из стандартных наборов символов. Набор символов по умолчанию определяется во время запуска виртуальной машины и, как правило, зависит от локали и набора символов, используемых основной операционной системой.

Класс StandardCharsets определяет константы для каждого из стандартных наборов символов.

Терминология

Название этого класса заимствовано из терминов, используемых в RFC 2278. В этом документе набор символов определяется как сочетание одного или нескольких кодированных наборов символов и схемы кодирования символов. (Это определение запутанное; некоторые другие программные системы определяют набор символов как синоним кодированного набора символов.)

Кодированный набор символов — это отображение между набором абстрактных символов и набором целых чисел. US-ASCII, ISO 8859-1, JIS X 0201 и Unicode являются примерами кодированных наборов символов.

Некоторые стандарты определили набор символов как просто набор абстрактных символов без присвоенного им номера. Алфавит является примером такого набора символов. Однако тонкое различие между набором символов и кодированным набором символов редко используется на практике; первое стало кратким обозначением второго, включая в спецификации API Java.

Схема кодирования символов — это отображение между одним или несколькими кодированными наборами символов и набором последовательностей октетов (восьмибитных байтов). UTF-8, UTF-16, ISO 2022 и EUC являются примерами схем кодирования символов. Схемы кодирования часто ассоциируются с конкретным кодированным набором символов; UTF-8, например, используется только для кодирования Unicode. Однако некоторые схемы ассоциируются с несколькими кодированными наборами символов; EUC, например, может использоваться для кодирования символов в различных азиатских кодированных наборах символов.

Когда кодированный набор символов используется исключительно с одной схемой кодирования символов, соответствующий набор символов обычно называется по имени кодированного набора символов; в противном случае набор символов обычно называется по имени схемы кодирования и, возможно, по локали кодированных наборов символов, которые он поддерживает. Таким образом, US-ASCII является как названием кодированного набора символов, так и набора символов, который его кодирует, в то время как EUC-JP — это название набора символов, который кодирует кодированные наборы символов JIS X 0201, JIS X 0208 и JIS X 0212 для японского языка.

Внутренняя кодировка символов языка программирования Java — UTF-16. Таким образом, набор символов в платформе Java определяет отображение между последовательностями шестнадцатибитных единиц кода UTF-16 (то есть последовательностями символов) и последовательностями байтов.