兩個"�"="錕斤拷"？

關於做者：程序猿石頭(ID: tangleithu)，現任阿里巴巴技術專家，清華學渣，前大疆後端 Leader。歡迎關注，交流和指導！

本文首發於微信公衆號，原文連接，轉載請全文保留。

以一首七言絕句做爲開篇：

手持兩把錕斤拷

口中疾呼燙燙燙

腳踏千朵屯屯屯

笑看萬物鍩鍩鍩

� 爲什麼物？

在上次石頭哥發的這篇文章中 —— 你可能也會掉進這個簡單的 String 的坑，講述了因字符編碼問題而連續踩坑的經歷，文中有一個神奇的字符 「�」。

其實，這個 「�」 真是無處不在，好比大名鼎鼎的微信：

再好比，封面圖中，單價22元的「錕斤拷錕斤拷」，再隨便百度一把：

要弄清這個問題，還得先從編碼談起。

由於在計算機的眼裏，都是二進制，具體用哪些二進制數字表示哪一個符號，這就是編碼。不要把編碼想象得太複雜，其實就是一個很簡單的 mapping。

好比你們所熟知的 ASCII 編碼，規定了
二進制的0100 0001，也就是十進制的65，表明的含義就是大寫字母 A。

� 也是一種編碼字符，就跟上面的 A 同樣同樣的，它是 UNICODE 編碼方式中的一個特殊的字符，也就是 0xFFFD(65533)，語義是一個佔位符(REPLACEMENT CHARACTER)，用來表達未知的，本身不認識的東西。

好比上篇文章中的實驗截圖的，紅色部分圈出來的對應的字符，UTF-8 編碼都不認識，因此按照 UNICODE 的定義，我就只好用統一的一個佔位符 —— 0xFFFD(65533) 來表示。

爲何會出現「錕斤拷」？

咱們接着上篇的例子來看， 以下圖所示，仍然從 「程序猿石頭」 對應二進制編碼截取部分：

如上圖所示，第 18 行的字節數組 new byte[] {-25, -119, -25, -116}，UTF-8 剛好都不認識，所以只能用佔位符替換。

這種狀況，在編碼轉換過程當中確實也比較常見，若是雙方沒溝通清楚，確實很容易出現互相不認識的狀況。

在中文系統中，常見的字符編碼是 GBK，這個時候，由於你們沒提早商量清楚，我就默認按照 GBK 給你編碼看看。

驚不驚喜意不意外……

實際上是由於，� 用 UTF-8 編碼後變成了 0xEFBFBD（就是上面的字節數組 [-17, -65, -67]），兩個連起來就是 0xEFBFBDEFBFBD，也就是上面的字節數組[-17, -65, -67, -17, -65, -67]。

而 GBK 編碼依然採用雙字節編碼方案，所以上面的 6 字節 0xEFBFBDEFBFBD，就被拆成了 3 個 2 字節字符即 0xEFBF, 0xBDEF, 0xBFBD 對應 GBK 編碼裏面就是：錕（0xEFBF），斤（0xBDEF），拷（0xBFBD）

<,,

如今，你知道了嗎？

留個做業題：開篇的七言絕句，你知道另外的梗是來自哪裏嗎？歡迎留言討論。

最近看到一份來自阿里巴巴開源的學習資料，涵蓋了大前端、客戶端、服務端、算法等多個技術領域，全書內容⻚數1600+，如今分享給你們。點擊原文獲取。