JDK 7 和 8 中的 new String(byte []) 结果不同

Question

一些使用 new String (byte [],"UTF-8") 的字节数组在 jdk 1.7 和 1.8 中返回不同的结果

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")，结果（str2）在 jdk7 和 jdk8 中不一样，但是 byte1 是一样的。bytes2 有什么特别之处？

测试“ISO-8859-1”代码，在jdk1.8中bytes2的结果是一样的！

jdk1.7.0_80：

15

27

[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]

15

31

[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_201

15

27

[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]

16

34

[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]

Answer 1

简短的回答：在第二个字节数组的最后 2 个字节中： [-32, -37] (0b11011011_11100000) 被编码为：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.长答案：数组中的某些字节序列似乎不是有效的 UTF-8 序列。让我们考虑这段代码：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));它将打印（为了便于阅读，我手动添加了前导下划线）：__110111_1011101_110000111110011_____100____1000___11101___110101011110011111100111001101010001011011011__10000011010111_1011000正如您在UTF-8 维基百科文章中所读到的，utf-8 编码字符串使用以下二进制序列：0xxxxxxx -- for ASCII characters110xxxxx 10xxxxxx -- for 0x0080 to 0x07ff1110xxxx 10xxxxxx 10xxxxxx -- for 0x0800 to 0xFFFF... and so on因此，每个不遵循此编码方案的字符都被 3 个字节替换：[-17, -65, -67]二进制 1110 1111 10 111111 10 111101Unicode 位是 0b11111111_11111101Unicode 十六进制是 0xFFFD（Unicode 的“无效字符”）您的代码打印的数组的唯一区别是如何处理以下字符，它们是第二个数组末尾的 2 个字节：[-32, -30] is 0b11100000_11100010, and this is not valid UTF-8JDK 7 为这个序列生成了单个 0xFFFD 字符。JDK 8 为这个序列生成了两个 0xFFFD 字符。RFC-3629标准没有关于如何处理无效序列的明确说明，因此似乎在 JDK 8 中他们决定为每个无效字节生成 0xFFFD，这似乎更正确。另一个问题是，当你不应该这样做时，为什么你尝试将这些原始的非 UTF-8 字节解析为 UTF-8 字符？