一段java代码带你认识锟斤拷

@Test
public void testKunJinKao(){
String str="我不是锟斤拷";
try {
byte[] buff=null;

//让我们先看看几种错误的转换,let's go

//1. 正常的GBK字节流，你以为是UTF-8，所以用UTF-8去解码...
buff=str.getBytes("GBK");//这里只要不抛异常，数据一定不会被破坏
String str1=new String(buff,"UTF-8");
System.out.println(str1);//这是一种情形:���

//2. 正常的UTF-8字节流，你以为是GBK，所以用GBK去解码...
buff=str.getBytes("UTF-8");//这里只要不抛异常，数据一定不会被破坏
String str2=new String(buff,"GBK");//这里破坏了
System.out.println(str2);//这是另外一种情形：

//说了半天，锟斤拷在哪里呢？come on

//3. 本来正常的GBK字节码，在你不知道的某个环节已经被错误的使用UTF-8解码了
String str3=new String(str.getBytes("GBK"),"UTF-8");
String str4=new String(str3.getBytes("UTF-8"),"GBK");//这里你并不知道数据已经破坏了，这样用是对的。
System.out.println(str4);//锟斤拷

/**
* Got it.How are you,nice to meet you.
*
* Why?
* 如果说情形1、2是开发者自己造成的，
* 那么情形3往往是开发者被坑了，别人造成的（也可能是容器层），总之你拿到的时候已经乱了。
*/

/**
* 细心的你会发现，正是情形1的错误，导致了情形3的发生。之所以表现不同，是因为情形1的程序猿是在UTF-8下打印输出；
* 而情形3是在GBK下打印输出。
*/

/**
* 总结一下，锟斤拷是怎么产生的？
*
* 源于GBK字符集和Unicode字符集之间的转换问题。
* Unicode和老编码体系的转化过程中，肯定有一些字，用Unicode是没法表示的，
* Unicode官方用了一个占位符(REPLACEMENT CHARACTER)来表示这些文字，这就是：U+FFFD
*
* U+FFFD的UTF-8编码出来，恰好是 '\xef\xbf\xbd'。
*
* 重复多次，例如 '\xef\xbf\xbd\xef\xbf\xbd'，
* 然后放到GBK/CP936/GB2312/GB18030的环境中显示的话，
* 一个汉字2个字节，最终的结果就是：锟斤拷——锟(0xEFBF)，斤（0xBDEF），拷（0xBFBD）。
*/
} catch (Exception e) {
e.printStackTrace();
}

}