"锟斤拷"的前世今生

不管是在工作中还是生活中，相信很多同学都被“锟斤拷”深深的毒害过，比如这样，

这样，

还有这样，

那么究竟是为什么会出现这些奇怪的字符？接下来我们一探究竟！

ASCII编码

在计算机底层都是用0和1进行存储的，ASCII编码将所有的字母及符号进行编码后转成二进制的0和1进行存储，字母和符号占1个字节（即8bit），标准的ASCII码规定最高位必须为0，因此ASCII编码只能有128个，转成十进制即为0-127。标准的ASCII码表如下：

ASCII码表只有128个字符，对于英语来说已经够用了，但是世界上还有很多国家的文字各不相同，这时候就需要一个更加全面的编码出现。

Unicode（又称统一码、万国码、单一码）是计算机科学领域里的一项业界标准。它为每种语言中的每个字符设定了统一并且唯一的二进制编码。在表示一个Unicode的字符时，通常会用“U+”然后紧接着一组十六进制的数字来表示这个字符。

UTF-8与GBK

UTF-8是针对Unicode的一种可变长度字符编码。它可以用来表示Unicode标准中的任何字符，而且其编码中的第一个字节仍与ASCII相容。UTF-8使用一至四个字节为每个字符进行编码。常用的汉字采用3个字节进行编码。

因为UTF-8是针对Unicode的一种可变长度的字符编码，所以它包含了世界上所有字符的编码，对于那些早录入的字符，就会优先使用1、2个字节来存储，对于迟录入的字符存储占用的字节就会大一些，这样，那些迟录入的字符存储空间就会很大。

对于一个中文网站，实际上并不需要其他国家的文字出现，但是中国汉字用UTF-8进行编码，大多数却占用了3个字节甚至更多字节，这样就造成了不必要的存储浪费。为了解决这种问题，中华人民共和国全国信息技术标准化技术委员会制定了一套GB系列的编码，最常用的就是GBK了。

GBK编码英文使用单字节编码，完全兼容ASCII字符，汉字使用了两个字节进行编码，其编码范围从0x8140（表示16进制）至0xFEFE（剔除xx7F），共23940个码位，共收录了21003个汉字，图形符号 883 个。

为什么要剔除xx7F，因为它对应的ASCII码表是DEL，意味着要向后删除一个字符。

为什么会出现“锟斤拷”

Unicode编码一直持续在收录各种字符，这就可能会出现各种操作系统支持的Unicode字符不一样。这也就会导致A上的一个用Unicode编码的字符，在B上就会出现无法显示的情况。为了避免这种情况，在Unicode中定义了一个特殊字符�，它的Unicode编码为0xFFFD。

假如A支持特殊字符⬆，但是B并不支持这个⬆，那么在B中将会用�来代替。

这个字符用UTF-8编码后，十六进制表示为0xEF 0XBF 0XBD。如果连续出现两个⬆符号，那么用UTF-8编码后的十六进制则表示为0xEF 0XBF 0XBD 0xEF 0XBF 0XBD，这时候再转码成GBK，因为GBK中用两个字节表示一个字符，那么上述的字符就成了锟（0xEFBF），斤（0xBDEF），拷（0xBFBD）。出现锟斤拷的原因就是UTF-8转码GBK的过程中出现了问题。当然如果想要出现锟斤拷，则至少需要两个字符出现乱码。

接下来，我们直接用代码来看一下效果：

@Test
void contextLoads() throws Exception {
    String str = "�";
    String strCode = new String(str.getBytes("UTF-8"), "GBK");
    System.out.println(strCode);
}

运行结果为锟�，前面也说了如果想要出现锟斤拷，则至少需要为两个字符，现在再修改一下代码。

@Test
void contextLoads() throws Exception {
    String str = "��";
    String strCode = new String(str.getBytes("UTF-8"), "GBK");
    System.out.println(strCode);
}

运行结果如下为锟斤拷。

如果以后再遇到锟斤拷，不要慌，它一定是UTF-8在转换GBK编码的时候出现了问题。现在看来GBK编码虽然减少了内存的浪费，但是也带来了不少问题。

参考：zhihu.com/question/23024782