两个"�"="锟斤拷"？

关于作者：程序猿石头(ID: tangleithu)，现任阿里巴巴技术专家，清华学渣，前大疆后端 Leader。欢迎关注，交流和指导！

本文首发于微信公众号，原文链接，转载请全文保留。

以一首七言绝句作为开篇：

手持两把锟斤拷

口中疾呼烫烫烫

脚踏千朵屯屯屯

笑看万物锘锘锘

� 为何物？

在上次石头哥发的这篇文章中 —— 你可能也会掉进这个简单的 String 的坑，讲述了因字符编码问题而连续踩坑的经历，文中有一个神奇的字符 “�”。

其实，这个 “�” 真是无处不在，比如大名鼎鼎的微信：

再比如，封面图中，单价22元的“锟斤拷锟斤拷”，再随便百度一把：

要弄清这个问题，还得先从编码谈起。

因为在计算机的眼里，都是二进制，具体用哪些二进制数字表示哪个符号，这就是编码。不要把编码想象得太复杂，其实就是一个很简单的 mapping。

比如大家所熟知的 ASCII 编码，规定了
二进制的0100 0001，也就是十进制的65，代表的含义就是大写字母 A。

� 也是一种编码字符，就跟上面的 A 一样一样的，它是 UNICODE 编码方式中的一个特殊的字符，也就是 0xFFFD(65533)，语义是一个占位符(REPLACEMENT CHARACTER)，用来表达未知的，自己不认识的东西。

比如上篇文章中的实验截图的，红色部分圈出来的对应的字符，UTF-8 编码都不认识，所以按照 UNICODE 的定义，我就只好用统一的一个占位符 —— 0xFFFD(65533) 来表示。

为什么会出现“锟斤拷”？

我们接着上篇的例子来看，如下图所示，仍然从 “程序猿石头” 对应二进制编码截取部分：

如上图所示，第 18 行的字节数组 new byte[] {-25, -119, -25, -116}，UTF-8 恰好都不认识，因此只能用占位符替换。

这种情况，在编码转换过程中确实也比较常见，如果双方没沟通清楚，确实很容易出现互相不认识的情况。

在中文系统中，常见的字符编码是 GBK，这个时候，因为大家没提前商量清楚，我就默认按照 GBK 给你编码看看。

惊不惊喜意不意外……

其实是因为，� 用 UTF-8 编码后变成了 0xEFBFBD（就是上面的字节数组 [-17, -65, -67]），两个连起来就是 0xEFBFBDEFBFBD，也就是上面的字节数组[-17, -65, -67, -17, -65, -67]。

而 GBK 编码依然采用双字节编码方案，因此上面的 6 字节 0xEFBFBDEFBFBD，就被拆成了 3 个 2 字节字符即 0xEFBF, 0xBDEF, 0xBFBD 对应 GBK 编码里面就是：锟（0xEFBF），斤（0xBDEF），拷（0xBFBD）

<,,

现在，你知道了吗？

留个作业题：开篇的七言绝句，你知道另外的梗是来自哪里吗？欢迎留言讨论。

最近看到一份来自阿里巴巴开源的学习资料，涵盖了大前端、客户端、服务端、算法等多个技术领域，全书内容⻚数1600+，现在分享给大家。点击原文获取。