一些使用 new String (byte [],"UTF-8") 的字節(jié)數(shù)組在 jdk 1.7 和 1.8 中返回不同的結(jié)果byte[] bytes1 = {55, 93, 97, -13, 4, 8, 29, 26, -68, -4, -26, -94, -37, 32, -41, 88}; String str1 = new String(bytes1,"UTF-8"); System.out.println(str1.length()); byte[] out1 = str1.getBytes("UTF-8"); System.out.println(out1.length); System.out.println(Arrays.toString(out1));byte[] bytes2 = {65, -103, -103, 73, 32, 68, 49, 73, -1, -30, -1, -103, -92, 11, -32, -30}; String str2 = new String(bytes2,"UTF-8"); System.out.println(str2.length()); byte[] out2 = str2.getBytes("UTF-8"); System.out.println(out2.length); System.out.println(Arrays.toString(out2));bytes2 使用 new String(byte[],"UTF-8")，結(jié)果（str2）在 jdk7 和 jdk8 中不一樣，但是 byte1 是一樣的。bytes2 有什么特別之處？測試“ISO-8859-1”代碼，在jdk1.8中bytes2的結(jié)果是一樣的！jdk1.7.0_80：1527[55, 93, 97, -17, -65, -67, 4, 8, 29, 26, -17, -65, -67, -17, -65, -67, -17, -65, -67, -17, -65, -67, 32, -17, -65, -67, 88]1531[65, -17, -65, -67, -17, -65, -67, 73, 32, 68, 49, 73, -17, -65, -67, -17, -65, -67, -17, -65, -67, -17, -65, -67, -17, -65, -67, 11, -17, -65, -67]jdk1.8.0_2011527[55, 93, 97, -17, -65, -67, 4, 8, 29, 26, -17, -65, -67, -17, -65, -67, -17, -65, -67, -17, -65, -67, 32, -17, -65, -67, 88]1634[65, -17, -65, -67, -17, -65, -67, 73, 32, 68, 49, 73, -17, -65, -67, -17, -65, -67, -17, -65, -67, -17, -65, -67, -17, -65, -67, 11, -17, -65, -67, -17, -65, -67]
1 回答
森林海
TA貢獻(xiàn)2011條經(jīng)驗 獲得超2個贊
簡短的回答：
在第二個字節(jié)數(shù)組的最后 2 個字節(jié)中： [-32, -37] (0b11011011_11100000) 被編碼為：
By JDK 7: [-17, -65, -67] which is Unicode character 0xFFFD ("invalid character"),
By JDK 8: [-17, -65, -67, -17, -65, -67] which is 2 of 0xFFFD characters.
長答案：
數(shù)組中的某些字節(jié)序列似乎不是有效的 UTF-8 序列。讓我們考慮這段代碼：
byte[] bb = {55, 93, 97, -13, 4, 8, 29, 26, -68, -4, -26, -94, -37, 32, -41, 88};
for (byte b : bb) System.out.println(Integer.toBinaryString(b & 0xff));
它將打?。榱吮阌陂喿x，我手動添加了前導(dǎo)下劃線）：
__110111
_1011101
_1100001
11110011
_____100
____1000
___11101
___11010
10111100
11111100
11100110
10100010
11011011
__100000
11010111
_1011000
正如您在UTF-8 維基百科文章中所讀到的，utf-8 編碼字符串使用以下二進(jìn)制序列：
0xxxxxxx -- for ASCII characters
110xxxxx 10xxxxxx -- for 0x0080 to 0x07ff
1110xxxx 10xxxxxx 10xxxxxx -- for 0x0800 to 0xFFFF
... and so on
因此，每個不遵循此編碼方案的字符都被 3 個字節(jié)替換：
[-17, -65, -67]
二進(jìn)制 1110 1111 10 111111 10 111101
Unicode 位是 0b11111111_11111101
Unicode 十六進(jìn)制是 0xFFFD（Unicode 的“無效字符”）
您的代碼打印的數(shù)組的唯一區(qū)別是如何處理以下字符，它們是第二個數(shù)組末尾的 2 個字節(jié)：
[-32, -30] is 0b11100000_11100010, and this is not valid UTF-8
JDK 7 為這個序列生成了單個 0xFFFD 字符。
JDK 8 為這個序列生成了兩個 0xFFFD 字符。
RFC-3629標(biāo)準(zhǔn)沒有關(guān)于如何處理無效序列的明確說明，因此似乎在 JDK 8 中他們決定為每個無效字節(jié)生成 0xFFFD，這似乎更正確。
另一個問題是，當(dāng)你不應(yīng)該這樣做時，為什么你嘗試將這些原始的非 UTF-8 字節(jié)解析為 UTF-8 字符？
添加回答
舉報
0/150
提交
取消