Question

我在Java中将字节转换为UTF8字符串时发现了一个奇怪的问题。为什么bytes1和bytes2不同，但str1和srt2是一样的？

这是测试代码。

import org.apache.commons.codec.binary.Hex;

public class MyTest {
    public static void main(String[] args) throws Exception {
        byte[] bytes1 = Hex.decodeHex("EDA0BDEDB88A".toCharArray());
        byte[] bytes2 = Hex.decodeHex("F09F988A".toCharArray());

        System.out.println("bytes1 length: " + bytes1.length);
        System.out.println("bytes2 length: " + bytes2.length);

        String str1 = new String(bytes1, "utf8");
        String str2 = new String(bytes2, "utf8");

        System.out.println("str1 is equals str2? " + str1.equals(str2));
    }
}

以下是在jdk7上运行的测试代码的输出

bytes1 length: 6
bytes2 length: 4
str1 is equals str2? true

是否有可能找出'EDA0BDEDB88A'和'F09F988A'之间的关系？

'F09F988A'是unicode smail face，但'EDA0BDEDB88A'未知。

Answer 1

字节序列F09F988A和EDA0BDEDB88A都被Java解码为相同的代码点U + 1F60A（SMILING FACE WITH SMILING EYES）。

即使编码EDA0BDEDB88A不正确，Java UTF-8实现也接受它作为每个代理代码点U + D83D和U + DE0A的单独UTF-8编码。然而，严格地说，这种表示在UTF-8中是不允许的，但是例如在CESU-8中定义（UTF-16的兼容性编码方案）。

怎样才能从java中的不同字节数据中获取相同的字符串？

1 个答案: