décoder une chaîne de caractères comprenant \xc3\xa9 (UTF-8 littéral)

Bonjour,

Je souhaite décoder de l'encodage UTF-8 littéral.

Par exemple, je reçoit une String qui contient ceci : "\xc3\xa9" et je souhaiterais décoder/transformer cela par le caractère 'é'.
En fait cette chaîne que je reçois d'une appli mobile Android correspond au codage UTF-8 littéral et ce codage fait référence à une multitudes de caractères. Par exemple la chaîne "\xc3\xa0" représente le caractère 'à' ou alors la chaîne "\xc3\x9f" représente le caractère de l'alphabet Allemand 'ß'.

J'ai essayé de trouver des solutions avec UriComponent mais cela ne concerne que les URI contenues dans les adresses internet.

J'ai essayé aussi avec le code ci-dessous mais je retrouve en sortie exactement la même chaîne qu'en entrée ...

Code:

---

1 2 3 4 5 6

String strSortie = null; try { strSortie = new String(strEntree_.getBytes(), "utf8"); } catch (UnsupportedEncodingException e1) { e1.printStackTrace(); }

---

J'ai lu dans un autre post qu'il faut traiter cette chaîne avec les bits mais là je ne sais pas trop comment faire.

Si quelqu'un à une piste, je vous en remercie !
:)

Hello,

ce que tu as besoin de comprendre, c'est qu'un encodage comme UTF-8, ça sert à transformer des octets en String et des String en octets.
Je suppose que tout le monde te l'a dit, un ordinateur c'est des zéros et des uns. Donc c'est fait de bits, et avec 8 bits tu as un octet. Un ordinateur et tout ce qui passe dedans, c'est fait d'octets.
Quand tu veux transformer ces octets en texte, comme par exemple "Bonjour tout le monde" qui ne ressemble pas à des zéros et des uns, tu dois simplement passer par un procédé qui transforme les octets en texte. Et UTF-8 est l'un de ces procédés.

Ce qui signifie que quand tu cherches à utiliser UTF-8, quand tu veux obtenir une String tu dois lui donner des octets. Et pas autre chose que des octets, parce que c'est à ça qu'il sert et pas à autre chose.

Exemple :

Code:

---

1 2 3

byte[] bytes = {(byte)0xc3, (byte)0xa9}; String text = new String(bytes, StandardCharsets.UTF_8); System.out.println(text);

---

Voilà une utilisation parfaitement normale d'UTF-8. Comme tu peux le constater, ça affiche é.

Ton problème, c'est que ce que tu as, ce ne sont pas des octets, ce sont des String qui contiennent des trucs bizarres comme \xc3 à l'intérieur.

Tu dois donc résoudre ce problème en deux étapes :

#1 - convertir tes Strings en octets

#2 - convertir ces octets en String en utilisant UTF-8 comme je l'ai montré.

La partie #1 me semble de loin la plus difficile, dans la mesure où je ne connais pas de méthode directe pour le faire. Et qu'on ne connaît pas facilement à l'avance le nombre d'octets.

Voici un début de méthode qui te permettra de faire cette conversion, mais je ne vais pas la faire entièrement pour toi :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

public static byte[] convertEncodedToBytes(String encoded) { ByteArrayOutputStream out = new ByteArrayOutputStream();   for(int i = 0; i < encoded.length();) { char ch = encoded.charAt(i); if(ch == '\\') { // si on est sur un truc genre \xc3   if(encoded.length() < i + 4) { throw new IllegalArgumentException("Incorrect string encoded, found incomplete \\"); } if(encoded.charAt(i+1) != 'x') { throw new IllegalArgumentException("Incorrect string encoded, found \\ not followed by x"); }   String hexabytes = encoded.substring(i+2, i+4); // récupérer la partie c3 byte decodedHexByte = (byte)Integer.parseUnsignedInt(hexabytes, 16); // convertir l'octet qu'elle encode   out.write(decodedHexByte);   i += 4;   } else { // sinon, à toi de finir i++; } }   return out.toByteArray(); }

---

Tu peux essayer avec StringEscapeUtils.unescapeECMAScript() de apache commons lang 3. Comme les literals de la forme \x sont reconnus par ce langage, ça devrait faire le travail. Sinon comme mentionné au dessu, y aller à la main.

Bonjour,

Je vous remercie pour vos aides très intéressantes !

J'ai trouvé une solution à mon problème :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90

/**          * replaces e.g. "\xc3\xa9" with "é"          *          * @param s the input          * @return the output          */ public static String unescapeMultiByteUtf8Literals(final String s) { try { final String q = new String(unescapeByte(s.getBytes("UTF-8")), "UTF-8"); // if (!q.equals(s)) { // LOG.log(Level.SEVERE, "multi byte utf literal found:\n" + // " orig = " + s + "\n" + // " escp = " + q // ); // } return q; } catch (Exception e) { // LOG.log(Level.SEVERE, "Could not unescape multi byte utf literal - will use original input: " + s, e); return s; } }   private static byte[] unescapeByte(final byte[] escaped) throws Exception { // simple state machine iterates over the escaped bytes and converts final byte[] unescaped = new byte[escaped.length]; int posTarget = 0; for (int posSource = 0; posSource < escaped.length; posSource++) { // if its not special then just move on if (escaped[posSource] != '\\') { unescaped[posTarget] = escaped[posSource]; posTarget++; continue; } // if there is no next byte, throw incorrect encoding error if (posSource + 1 >= escaped.length) { throw new Exception("String incorrectly escaped, ends with escape character."); } // deal with hex first if (escaped[posSource + 1] == 'x') { // if there's no next byte, throw incorrect encoding error if (posSource + 3 >= escaped.length) { throw new Exception("String incorrectly escaped, ends early with incorrect hex encoding."); } unescaped[posTarget] = (byte) ((Character.digit(escaped[posSource + 2], 16) << 4) + Character.digit(escaped[posSource + 3], 16)); posTarget++; posSource += 3; } // deal with n, then t, then r else if (escaped[posSource + 1] == 'n') { unescaped[posTarget] = '\n'; posTarget++; posSource++; } else if (escaped[posSource + 1] == 't') { unescaped[posTarget] = '\t'; posTarget++; posSource++; } else if (escaped[posSource + 1] == 'r') { unescaped[posTarget] = '\r'; posTarget++; posSource++; } else if (escaped[posSource + 1] == '\\') { unescaped[posTarget] = escaped[posSource + 1]; posTarget++; posSource++; } else if (escaped[posSource + 1] == '\'') { unescaped[posTarget] = escaped[posSource + 1]; posTarget++; posSource++; } else { // invalid character throw new Exception("String incorrectly escaped, invalid escaped character"); } } final byte[] result = new byte[posTarget]; System.arraycopy(unescaped, 0, result, 0, posTarget); // return byte array, not string. Callers can convert to string. return result; }   @POST @Path("/send_photo") @Consumes(MediaType.MULTIPART_FORM_DATA + ";charset=utf-8") public Response insertPhoto(@FormDataParam("photo_fileStream") InputStream photo_fileStream_, @FormDataParam("comment") String comment{   comment = unescapeMultiByteUtf8Literals(comment);   ..... }

---

:mrgreen:

Oui bah, même chose mais en complet et un chouïa plus performant.

Content que tu aies pu le trouver quelque part. Personnellement j'aurais préféré utiliser une bibliothèque externe comme le disait tchize_, mais je ne savais pas à quel nom chercher cet encodage.

Joli code bien propre.

Deux petites remarques,

• tu peux te passer du dernier arrayCopy, String a un constructeur qui prend byte[], offset, length et charset
• Vu que ton algorithme donne toujours un résultat plus court, tu lit toujours en avance (ou à égalité) avec là ou tu écris. Tu peux remplacer directement les bytes dans ton tableau source. et te passer de ton tableau destination.

Yeap !

oui je l'ai trouvé quelque part mais le plus important est qu'il puisse servir à d'autres !

J'ai bien essayé le StringEscapeUtils mais je n'ai pas eu de bon résultats.

Du coup je suis parti sur l'autre solution avec un peu plus de chance puisque cela m'a aidé à trouver un code tout fait !

et cerise sur le gâteau ... je n'en ai plus besoin puisque mon problème était en fait dû à un manque dans l'appli mobile. Elle ne m'envoyait pas l'information comme quoi la chaîne de caractères était codée en utf-8 et donc Jersey n'interprétais pas l'UTF-8 bien qu'il soit paramétré comme cela par défaut.

Du coup après avoir rajouté le charset dans l'appli mobile tout roule cool et plus besoin du code précédent :)

Merci à vous deux {;o)