1.Java String与byte[]互相转换存在的问题

java中，按照byte[] =》string =》byte[]的流程转换后，byte数据与最初的byte不一致。

多说无益，上代码，本地macos机器执行，统一使用的UTF-8编码。

import java.nio.charset.StandardCharsets;
import java.util.Arrays;


public class StringConversionExample {
    public static void main(String[] args) {
byte[] original2 = new byte[]{(byte)0xef, (byte)0x8f, (byte)0xff};
byte[] transformed2 = new String(original2).getBytes();
System.out.println(Arrays.toString(original2));
System.out.println(Arrays.toString(transformed2));
System.out.println(Arrays.equals(original2, transformed2));
}
}

执行结果

[-17, -113, -1]
[-17, -65, -67, -17, -65, -67]
false

发现问题了没有？byte转成string后，再转回byte，竟然最初的数据不一致，代码开发中，肯定是与预期不一致，容易写出bug。

2.首先熟悉相关字符、字符集、字符编码与字符概念

了解了大概的问题，我们带着疑问，先了解一下相关的概念。

计算机里的unicode编码和UTF-8的关系-CSDN博客

字符编码和字符集到底有什么区别？Unicode和UTF-8是什么关系？-CSDN博客

主要理解一下下面几个概念的区别：

1. 字符：就是我们看到的一个字母或一个汉字、一个标点符号都叫字符。如汉字“一”就是一个字符。
2. 字符码：在指定的字符集中，一个字符对应唯一一个数字，这个数字就叫字符码。如上边的字符“一”，在 Unicode 字符集中，对应的字符码为 \u4e00。
3. 字符集：规定了字符和字符码之间的对应关系。
4. 字符编码：规定了一个字符码在计算机中如何存储，比如UTF-8。

3.java中byte[]与string互转出现问题的表面原因是什么，我们控制变量做了一个对比实验

首先看下如下代码:

byte[] original1 = new byte[]{(byte)0xef, (byte)0x8f, (byte)0x8f};
byte[] transformed1 = new String(original1).getBytes();
System.out.println(Arrays.toString(original1));
System.out.println(Arrays.toString(transformed1));
System.out.println(Arrays.equals(original1, transformed1));

它的执行结果是：

[-17, -113, -113]
[-17, -113, -113]
true

这两个字节数组内容是完全相等的，第一个byte array在经过到String的转换，再到bytes的转换后，内容保持不变。

再看如下代码：

byte[] original2 = new byte[]{(byte)0xef, (byte)0x8f, (byte)0xff};
byte[] transformed2 = new String(original2).getBytes();
System.out.println(Arrays.toString(original2));
System.out.println(Arrays.toString(transformed2));
System.out.println(Arrays.equals(original2, transformed2));

它的执行结果是：

[-17, -113, -1]
[-17, -65, -67, -17, -65, -67]
false

这一次，两个byte array的结果不一样了，且结果差异很大。

这两段代码的唯一区别是，original1的最后一个字节值是0x8f， 而original2的最后一个字节值为0xff。

所以，0xff是导致byte[]与string互转出现问题的表面原因。

4.0xff为什么会导致出现问题？

（1）了解java byte与string的转换原理

上面的示例代码的执行环境中，系统默认的字符集是UTF-8，所以字节到字符的转换，会按 UTF-8编码来进行转换。

（2）UTF-8可变长度字符编码

UTF-8（Unicode Transformation Format-8）是一种变长编码方案（多位元组序列），用于将Unicode字符集中的字符编码为字节序列，以便在计算机系统中存储和传输。

UTF-8的定义和使用如下：

1. 字符编码范围：UTF-8可以表示Unicode字符集中的所有字符，包括各种语言的字符、符号、标点符号等。

2. 变长编码：UTF-8使用变长编码方式，根据字符的不同范围使用不同长度的字节表示字符。具体规则如下：
   - 对于ASCII字符（Unicode码范围为U+0000至U+007F），使用一个字节表示，其最高位为0。
   - 对于非ASCII字符，使用多个字节表示。UTF-8的编码规则如下：
     - 对于2字节字符，使用两个字节表示，其最高位为110。
     - 对于3字节字符，使用三个字节表示，其最高位为1110。
     - 对于4字节字符，使用四个字节表示，其最高位为11110。
     - 对于更高范围的字符，UTF-8可以使用最多6个字节进行表示。

3. 兼容性：UTF-8编码方案保持了与ASCII字符集的兼容性。ASCII字符在UTF-8中仍然使用一个字节表示，因此任何以ASCII编码的文本都是有效的UTF-8文本。

4. 字节顺序：UTF-8不涉及字节顺序问题，因为它是一种字节序列的编码方式，而不是多字节字符的编码方式。因此，字节顺序对UTF-8没有影响。

在使用UTF-8时，常见的操作包括将字符串从编码为UTF-8字节序列，以及将UTF-8字节序列解码为字符串。编程语言通常提供了相应的API和函数来进行这些操作，例如Java中的`getBytes()`方法和`new String()`构造函数，以及Go语言中的`[]byte`类型和`string()`类型转换。

总结：UTF-8是一种用于将Unicode字符编码为字节序列的编码方案，它具有变长编码、兼容性和广泛支持的特点。使用UTF-8可以在计算机系统中存储和传输各种语言的文本数据，并且保持与ASCII字符集的兼容性。

（3）UTF-8可变长度字符编码的官方说法

这里引用一下更为官方的解释：https://zh.wikipedia.org/wiki/UTF-8#UTF-8%E7%9A%84%E7%B7%A8%E7%A2%BC%E6%96%B9%E5%BC%8F

设计UTF-8的理由

UTF-8的设计有以下的多字符组序列的特质：

• 单字节字符的最高有效比特永远为0。
• 多字节序列中的首个字符组的几个最高有效比特决定了序列的长度。最高有效位为110的是2字节序列，而1110的是三字节序列，如此类推。
• 多字节序列中其余的字节中的首两个最高有效比特为10。

UTF-8的这些特质，保证了一个字符的字节序列不会包含在另一个字符的字节序列中。这确保了以字节为基础的部分字符串比对（sub-string match）方法可以适用于在文字中搜索字或词。有些比较旧的可变长度8位编码（如Shift JIS）没有这个特质，故字符串比对的算法变得相当复杂。虽然这增加了UTF-8编码的字符串的信息冗余，但是利多于弊。另外，资料压缩并非Unicode的目的，所以不可混为一谈。即使在发送过程中有部分字节因错误或干扰而完全丢失，还是有可能在下一个字符的起点重新同步，令受损范围受到限制。

另一方面，由于其字节序列设计，如果一个疑似为字符串的序列被验证为UTF-8编码，那么我们可以有把握地说它是UTF-8字符串。一段两字节随机序列碰巧为合法的UTF-8而非ASCII的几率为32分1。对于三字节序列的几率为256分1，对更长的序列的几率就更低了。

UTF-8的编码方式

UTF-8是UNICODE的一种变长度的编码表达方式《一般UNICODE为双字节（指UCS2）》，它由肯·汤普逊（Ken Thompson）于1992年建立，现在已经标准化为RFC 3629。UTF-8就是以8位为单元对UCS进行编码，而UTF-8不使用大尾序和小尾序的形式，每个使用UTF-8存储的字符，除了第一个字节外，其余字节的头两个比特都是以"10"开始，使文字处理器能够较快地找出每个字符的开始位置。

但为了与以前的ASCII码兼容（ASCII为一个字节），因此UTF-8选择了使用可变长度字节来存储Unicode：

（注意：不论是Unicode (Table 3.7) [12]，还是ISO 10646 (10.2 UTF-8) [13]，目前都只规定了最高码位是0x10FFFF的字符的编码。下表中表示大于0x10FFFF的UTF-8编码是不符合标准的。）

Unicode 和 UTF-8 之间的转换关系表 ( x 字符表示码点占据的位 )

码点的位数	码点起值	码点终值	字节序列	Byte 1	Byte 2	Byte 3	Byte 4	Byte 5	Byte 6
7	U+0000	U+007F	1	0xxxxxxx
11	U+0080	U+07FF	2	110xxxxx	10xxxxxx
16	U+0800	U+FFFF	3	1110xxxx	10xxxxxx	10xxxxxx
21	U+10000	U+1FFFFF	4	11110xxx	10xxxxxx	10xxxxxx	10xxxxxx
26	U+200000	U+3FFFFFF	5	111110xx	10xxxxxx	10xxxxxx	10xxxxxx	10xxxxxx
31	U+4000000	U+7FFFFFFF	6	1111110x	10xxxxxx	10xxxxxx	10xxxxxx	10xxxxxx	10xxxxxx

• 在ASCII码的范围，用一个字节表示，超出ASCII码的范围就用字节表示，这就形成了我们上面看到的UTF-8的表示方法，这样的好处是当UNICODE文件中只有ASCII码时，存储的文件都为一个字节，所以就是普通的ASCII文件无异，读取的时候也是如此，所以能与以前的ASCII文件兼容。
• 大于ASCII码的，就会由上面的第一字节的前几位表示该unicode字符的长度，比如110xxxxx前三位的二进制表示告诉我们这是个2BYTE的UNICODE字符；1110xxxx是个三位的UNICODE字符，依此类推；xxx的位置由字符编码数的二进制表示的位填入。越靠右的x具有越少的特殊意义。只用最短的那个足够表达一个字符编码数的多字节串。注意在多字节串中，第一个字节的开头"1"的数目就是整个串中字节的数目。

从这里可以得出，需要看byte是否符合UTF-8标准编码：需要先把16进制byte转为二进制，然后参考是否与UTF-8设计规范一致，参阅Unicode 和 UTF-8 之间的转换关系表 ( x 字符表示码点占据的位 )。

（4）示例中的(byte)0xef, (byte)0x8f, (byte)0xff为什么不是UTF-8标准编码？

（4.1）先补充一个知识点，十六进制转二进制

计算方式一：

将十六进制数 `0xef` 转换为其对应的二进制表示形式可以按照以下步骤进行：

1. 将十六进制数 `0xef` 拆分为两个十六进制位：`0xe` 和 `0xf`。
2. 将每个十六进制位转换为对应的四位二进制数。
   - `0xe` 转换为二进制为 `1110`。
   - `0xf` 转换为二进制为 `1111`。
3. 将两个四位二进制数连接起来，得到八位二进制数。
   - `11101111`

因此，十六进制数 `0xef` 转换为二进制为 `11101111`。

计算方式二：

如果你觉得方式一太复杂，可以先拆分为e、f，然后使用网站快速转换：在线进制转换

计算方式三：

查表，先转为10进制，然后手动计算二进制。

（4.1.1）如下图，0xEF的十进制为239

将十进制数 239 转换为二进制数，可以使用逐次除以 2 的方法，将每次的余数记录下来，直到商为 0。这个过程如下所示：

（4.1.2）转换步骤

1. 将十进制数 239 除以 2：

   • 239 ÷ 2 = 119，余数 1
   • 记录余数：1

2. 将商 119 除以 2：

   • 119 ÷ 2 = 59，余数 1
   • 记录余数：1

3. 将商 59 除以 2：

   • 59 ÷ 2 = 29，余数 1
   • 记录余数：1

4. 将商 29 除以 2：

   • 29 ÷ 2 = 14，余数 1
   • 记录余数：1

5. 将商 14 除以 2：

   • 14 ÷ 2 = 7，余数 0
   • 记录余数：0

6. 将商 7 除以 2：

   • 7 ÷ 2 = 3，余数 1
   • 记录余数：1

7. 将商 3 除以 2：

   • 3 ÷ 2 = 1，余数 1
   • 记录余数：1

8. 将商 1 除以 2：

   • 1 ÷ 2 = 0，余数 1
   • 记录余数：1

（4.1.3）汇总余数

将上述步骤中的余数从下到上（即从最后一步到第一步）排列起来，就得到了二进制数：

1. 从下到上，余数依次是：11101111

（4.1.4）结论

十进制数 239 转换为二进制数是 11101111。

（4.1.5）验证

（4.2）根据上面的计算方式，计算出本次的16进制对应的二进制

下面是 `(byte)0xef, (byte)0x8f, (byte)0xff` 这三个字节的 8 位二进制表示形式：

1. `(byte)0xef` 对应的 8 位二进制数为：`11101111`
2. `(byte)0x8f` 对应的 8 位二进制数为：`10001111`
3. `(byte)0xff` 对应的 8 位二进制数为：`11111111`

（4.3）查看二进制是否符合UTF-8的编码规范

这些二进制数表示了各自字节的位模式，然后查看Unicode 和 UTF-8 之间的转换关系表。

0xef对应：`11101111`，所以属于转换关系表的字节序列3，也就是说的UTF-8的三字节字符。剩下的两位字符需要对应Byte 2和Byte 3，应该以10xxxxxx格式开头。

0x8f为`10001111`，符合。

0xff为`11111111`，不符合。

发现这些字节序列并不符合 UTF-8 编码规范，所以它们并不是有效的 UTF-8 编码。

可以回答第4章最初的问题，因为(byte)0xef, (byte)0x8f, (byte)0xff不符合三字节字符对应的转换关系表规范，所以不是UTF-8标准编码。

Unicode 和 UTF-8 之间的转换关系表 ( x 字符表示码点占据的位 )

码点的位数	码点起值	码点终值	字节序列	Byte 1	Byte 2	Byte 3	Byte 4	Byte 5	Byte 6
7	U+0000	U+007F	1	0xxxxxxx
11	U+0080	U+07FF	2	110xxxxx	10xxxxxx
16	U+0800	U+FFFF	3	1110xxxx	10xxxxxx	10xxxxxx
21	U+10000	U+1FFFFF	4	11110xxx	10xxxxxx	10xxxxxx	10xxxxxx
26	U+200000	U+3FFFFFF	5	111110xx	10xxxxxx	10xxxxxx	10xxxxxx	10xxxxxx
31	U+4000000	U+7FFFFFFF	6	1111110x	10xxxxxx	10xxxxxx	10xxxxxx	10xxxxxx	10xxxxxx

（5）不是UTF-8标准编码，跟java转换有什么关系？

经过上面一串的解释，你应该会得出一个结论：因为(byte)0xef, (byte)0x8f, (byte)0xff中的(byte)0xff不是标准的UTF-8字符编码，所以转换过程有问题。它活该呀，谁让它不标准呢。

但是还有一个疑问没解决，那就是为什么它不标准，java就转换不正确？

让我们回到最初的java代码

    public static void main(String[] args) {
byte[] original2 = new byte[]{(byte)0xef, (byte)0x8f, (byte)0xff};
byte[] transformed2 = new String(original2).getBytes();
System.out.println(Arrays.toString(original2));
System.out.println(Arrays.toString(transformed2));
System.out.println(Arrays.equals(original2, transformed2));
}

其中转换逻辑使用到的关键java代码：

new String(original2).getBytes();

分析String源码

简单的从 String 的构造方法可以看出，没有设置编码的情况下，会采用系统默认编码，macOS上的为 UTF-8，解码过程中使用到一个关键的CharsetDecoder，来看一下CharsetDecoder 的构造方法：

代码位置：JDK 1.8，java.lang.String#String(byte[], int, int, java.nio.charset.Charset)，636行、611行

JDK 1.8，java.nio.charset.CharsetDecoder#CharsetDecoder(java.nio.charset.Charset, float, float)，234行

// java.lang.String#String(byte[], int, int, java.nio.charset.Charset)，653行
  // decode using CharsetDecoder
            int en = scale(length, cd.maxCharsPerByte());
            cd.onMalformedInput(CodingErrorAction.REPLACE)
                    .onUnmappableCharacter(CodingErrorAction.REPLACE);

// CodingErrorAction.REPLACE)参数
    /**
     * Action indicating that a coding error is to be handled by dropping the
     * erroneous input, appending the coder's replacement value to the output
     * buffer, and resuming the coding operation.
     */
    public static final CodingErrorAction REPLACE
        = new CodingErrorAction("REPLACE");

// java.nio.charset.CharsetDecoder#CharsetDecoder(java.nio.charset.Charset, float, float)，234行
    /**
     * Initializes a new decoder.  The new decoder will have the given
     * chars-per-byte values and its replacement will be the
     * string <code>"&#92;uFFFD"</code>.
     *
     * @param  cs
     *         The charset that created this decoder
     *
     * @param  averageCharsPerByte
     *         A positive float value indicating the expected number of
     *         characters that will be produced for each input byte
     *
     * @param  maxCharsPerByte
     *         A positive float value indicating the maximum number of
     *         characters that will be produced for each input byte
     *
     * @throws  IllegalArgumentException
     *          If the preconditions on the parameters do not hold
     */
    protected CharsetDecoder(Charset cs,
                             float averageCharsPerByte,
                             float maxCharsPerByte)
    {
        this(cs,
             averageCharsPerByte, maxCharsPerByte,
             "\uFFFD");
    }

其中比较关键的是 CodingErrorAction.REPLACE，javadoc中的解释：

    /**
     * Action indicating that a coding error is to be handled by dropping the
     * erroneous input, appending the coder's replacement value to the output
     * buffer, and resuming the coding operation.
     */
    public static final CodingErrorAction REPLACE
        = new CodingErrorAction("REPLACE");

进行string转byte时，针对错误部分的byte：(byte)0xff，会被java使用"\uFFFD"进行替换。所以再将byte转回string时，自然无法准备恢复最初的数据了。

（6）使用java代码验证，是否使用"\uFFFD"替换了错误部分的byte？

package com.shopee.mmdb.chunnel.store.kafka;

import java.nio.charset.Charset;
import java.util.Arrays;


public class StringConversionExample {
    public static void main(String[] args) {
        byte[] original2 = new byte[] {(byte) 0xef, (byte) 0x8f, (byte) 0xff};
        byte[] transformed2 = new String(original2).getBytes();
        System.out.println(Arrays.toString(original2));
        System.out.println(Arrays.toString(transformed2));
        System.out.println(Arrays.equals(original2, transformed2));

        String unicodeString = "\uFFFD";
        Charset charset = Charset.forName("UTF-8");
        byte[] byteArr = unicodeString.getBytes(charset);
        System.out.println(Arrays.toString(byteArr));
    }
}

运行结果，显而易见，"\uFFFD"就是 [-17, -65, -67]。

[-17, -113, -1]
[-17, -65, -67, -17, -65, -67]
false
[-17, -65, -67]

（7）解决问题

既然是UTF-8编码不标准的问题，那么可以通过单字节编码模式，获取到正确的结果，操作如下:

byte[] newBytes = new String(bytes, StandardCharsets.ISO_8859_1).getBytes(StandardCharsets.ISO_8859_1)

// 完整代码
package com.shopee.mmdb.chunnel.store.kafka;

import java.nio.charset.Charset;
import java.nio.charset.StandardCharsets;
import java.util.Arrays;


public class StringConversionExample {
    public static void main(String[] args) {
        byte[] original2 = new byte[] {(byte) 0xef, (byte) 0x8f, (byte) 0xff};
        byte[] transformed2 =
            new String(original2, StandardCharsets.ISO_8859_1).getBytes(StandardCharsets.ISO_8859_1);
//        byte[] transformed2 = new String(original2).getBytes();
        System.out.println(Arrays.toString(original2));
        System.out.println(Arrays.toString(transformed2));
        System.out.println(Arrays.equals(original2, transformed2));

        String unicodeString = "\uFFFD";
        Charset charset = Charset.forName("UTF-8");
        byte[] byteArr = unicodeString.getBytes(charset);
        System.out.println(Arrays.toString(byteArr));
    }
}

执行结果

[-17, -113, -1]
[-17, -113, -1]
true
[-17, -65, -67]

5.java byte转string问题的总结

java中通过 byte[] 转换为 String 时，可能因为一些编码规则，比如UTF-8，造成部分被替换，反向转换为 byte[] 后和之前不同；在转换时，可以通过指定 StandardCharsets.ISO_8859_1 等单字节编码来解决问题；

这里引入另一个思考的问题，一个 String 转换为 byte[] 后，再转换为 String 会有问题么？答案是不会，因为转换为 byte[] 的字节编码是符合 UTF-8 的；

6.那么golang中是否也存在该问题呢？

（1）看goalng的例子

同样的使用不标准的UTF-8编码 0xef, 0x8f, 0xff，golang执行 byte 转 string，然后string再转回byte。

package main

import (
	"fmt"
	"reflect"
	"unicode/utf8"
)

func main() {
	original2 := []byte{0xef, 0x8f, 0xff}
	transformed2 := []byte(string(original2))

	fmt.Println("Original2:", original2)
	fmt.Println("Transformed2:", transformed2)
	fmt.Println("Are equal:", reflect.DeepEqual(original2, transformed2))
	fmt.Println("Original2 string:", string(original2))

	if utf8.Valid(original2) {
		fmt.Println("Original is valid UTF-8")
	} else {
		fmt.Println("Original is not valid UTF-8")
	}
}

运行结果，byte经过一通转换后，又回到了最初的byte，数据完全一致。

所以在golang里并没有复现出，java里的byte转换后数据最终被篡改的问题。

Original2: [239 143 255]
Transformed2: [239 143 255]
Are equal: true
Original2 string: ��
Original is not valid UTF-8

（2）golang里为什么byte转string不会出现数据被篡改的情况？

基本信息和源码

GO的字符串：内存中string用UTF-8编码

go sdk 1.21.5的string源码，如下：

// string is the set of all strings of 8-bit bytes, conventionally but not
// necessarily representing UTF-8-encoded text. A string may be empty, but
// not nil. Values of string type are immutable.
type string string

同时根据golang官方博客https://blog.golang.org/strings的原文：

Go source code is always UTF-8.
A string holds arbitrary bytes.
A string literal, absent byte-level escapes, always holds valid UTF-8 sequences.

大致意思如下：

• go中的代码总是用UTF-8编码，并且字符串能够存储任何字节
• 没有经过字节级别的转义，那么字符串是一个标准的utf8序列

JAVA的字符串：内存中string使用的UTF-16编码

JDK 1.8源码：java.lang.String#String(byte[])

value = StringUTF16.toBytes(ca, 0, caLen);

可能到这里，你就会急了“你上面JAVA长篇大论，一直给我讲UTF-8不标准字符，导致了java的转换问题，我刚接受这个概念。怎么到这里，又变成了java使用的UTF-16，golang反倒使用的UTF-8，并且golang还没有出问题？”。

很好，我接着解释。

JAVA转换路径：

1、输入非标准UTF-8字符 =》

2、根据用户显式指定字符编码集或者Macos机器默认内置的字符编码UTF-8，通知程序本次输入的byte数组是UTF-8编码规则 =》

3、JAVA调用decodeUTF8_UTF16方法，把byte[]转换为UTF-16 =》

4、方法decodeWithDecoder使用"\uFFFD"替换掉不标准的字符，并从byte[]转为char[]  =》

5、最终使用方法StringUTF16.toBytes(ca, 0, caLen)，把char[]再次转为UTF16，并设置到string的private final byte[] value;里

// jdk 1.8 string类 573行，方法路径java.lang.String#decodeUTF8_UTF16
dp = decodeUTF8_UTF16(bytes, offset, sl, dst, dp, true);

GOLANG转换路径：

1、根据传入的内存大小，判断是否需要分配重新分配内存；
2、构建stringStruct，分类长度和内存空间;
3、赋值[]byte里面的数据到新构建stringStruct的内存空间中。

查看源码 src/runtime/string.go

type stringStruct struct {
	str unsafe.Pointer
	len int
}

func slicebytetostring(buf *tmpBuf, b []byte) (str string) {
	l := len(b)
	if l == 0 {
		return ""
	}
	if l == 1 {
		stringStructOf(&str).str = unsafe.Pointer(&staticbytes[b[0]])
		stringStructOf(&str).len = 1
		return
	}
	var p unsafe.Pointer
	// 判断传入的缓冲区大小，决定是否重新分配内存
	if buf != nil && len(b) <= len(buf) {
		p = unsafe.Pointer(buf)
	} else {
		// 重新分配内存
		p = mallocgc(uintptr(len(b)), nil, false)
	}
	// 将输出的str转化成stringStruct结构
	// 并且赋值
	stringStructOf(&str).str = p
	stringStructOf(&str).len = len(b)
	// 将[]byte中的内容，复制到内存空间p中
	memmove(p, (*(*slice)(unsafe.Pointer(&b))).array, uintptr(len(b)))
	return
}

// 转换成
func stringStructOf(sp *string) *stringStruct {
	return (*stringStruct)(unsafe.Pointer(sp))
}

JAVA与GOLANG转换区别的对比

• 基本存储逻辑的区别:

  • Java: String 是用 UTF-16 编码存储的字符序列，设计上是用于表示文本数据的类。byte[] 是原始的字节数据，通常与 String 之间的转换涉及字符编码。
  • Go: string 总是 UTF-8 （不代表一定）编码的字节序列视图，表示不可变的字节数据。它更接近于一个只读的 []byte，在内部没有进行复杂的编码处理。

• 对无效编码的处理:

  • Java: 在将 byte[] 转换为 String 时，如果字节序列不符合字符集（例如 UTF-8）的要求，Java 会用替代字符 '\uFFFD' 来表示解码失败的字节。这是为了保证转换结果在文本上是合理的。
  • Go: 将 []byte 转换为 string 时，不会检查字节序列的有效性。无论字节是否符合 UTF-8 规范，转换后的 string 都会直接包含这些原始字节，不会进行替换。

• 设计上的考虑:

  • Java: 强调国际化和多语言支持，String 是表示人类可读文本的类，必须处理和转换字符集。Java 期望转换过程中得到有效的字符，因此必须处理无效字节序列（替换或者抛出异常）。
  • Go: 设计上强调简单和直接，string 只是字节序列的不可变视图，不做额外的编码检查和处理。这使得处理二进制数据和文本时更灵活，但要求开发者自己确保字节序列的有效性。
• 总结
  • Java: 强调对字符集和编码的处理，String 是用来表示文本的类，在转换时需要处理不合法的字节。
  • Go: string 是不可变的字节序列视图，直接允许 []byte 转换为 string，无论字节是否构成有效的 UTF-8 字符。

 想看更加详细对比，请参考另外一篇文章：Java 和 Go 中的 byte 和 String 转换-CSDN博客

最终结论

java底层存储string，使用byte字节序列，严格限制合法的UTF-16编码，所以为了强调String的有效性，做了严格限制，比如不合法的byte会被替换掉。

golang底层存储string，使用byte字节序列，默认总表示UTF-8编码的字符，也可以不是，不做额外的字符合法性校验。

所以，Java里使用new String(new byte[]{new byte[] {(byte) 0xef, (byte) 0x8f, (byte) 0xff}})会导致数据被篡改。golang里使用string([]byte{0xef, 0x8f, 0xff})不会导致数据被篡改，所以golang不存在该问题。

7.JAVA和Golang String分析过程中的细节补充

（1）UTF-8和UTF-16什么区别

• UTF-8: 以可变长度编码字符，具有较好的 ASCII 兼容性和网络传输效率，非常适合以英语为主的文本处理和互联网应用。
• UTF-16: 适合需要处理大量非 ASCII 字符的场景，虽然占用存储空间较大，但在处理字符时较为高效，适合在内存中存储文本和内部字符处理。UTF16详细设计信息，参考：https://zh.wikipedia.org/wiki/UTF-16

更多对比参考文章：编码规则UTF-8 和 UTF-16的区别-CSDN博客

（2）为什么Java默认使用UTF-16，Golang默认使用UTF-8呢？

Java 选择 UTF-16:

历史背景: Java 诞生时 Unicode 设计目标主要是 16 位编码，UTF-16 是当时处理多语言的最佳选择。
效率考虑: 固定长度的 2 字节编码简化了字符处理逻辑，特别是在需要高效定位和操作字符时。
兼容性需求: 与 Windows 系统的兼容性需求，使得 UTF-16 在跨平台应用中具有优势。

Go 选择 UTF-8:

创始人背景：Go 语言的3位创始人，其中有2位同时也是UTF-8 字元编码的创始人。

互联网标准: Go 语言诞生在互联网时代，UTF-8 已成为网络传输和文件存储的标准。
简单高效: Go 的设计强调简单和高效，UTF-8 作为默认编码简化了字符串处理，特别是在处理 ASCII 兼容文本时。
全球化支持: UTF-8 能够支持全球所有字符，适应了现代互联网应用的需求。

总结

Java 和 Go 在处理字符编码方面的选择，反映了它们各自的历史背景和设计哲学。Java 的 UTF-16 选择了稳定和兼容，而 Go 的 UTF-8 则倾向于现代互联网应用的灵活性和效率。

更多原因，参考另外一篇文章：为什么Java默认使用UTF-16，Golang默认使用UTF-8呢？-CSDN博客

8.Golang中String与Byte、Rune的关系

（1）有必要重温一下，最基本的字符编码概念（上面已经讲过了）

字符串：字符串是由一个或多个字符组成的序列。它可以包含字母、数字、符号和其他特殊字符。

Unicode：Unicode 是一个字符集，它为世界上几乎所有的字符都分配了一个唯一的标识符（码点）。每个字符都有一个对应的 Unicode 码点，用 U+ 加上一个十六进制数字表示，例如 U+0041 表示字符 'A'。

UTF-8：UTF-8 是一种变长编码方案，用于在计算机中表示 Unicode 字符。它使用 8 位字节来编码字符，根据字符的码点范围，使用不同长度的字节序列来表示字符。UTF-8 可以准确地表示各种语言字符、符号和表情等，它是最常用的字符编码方案之一。

Unicode 和 UTF-8 的关系是，Unicode 定义了字符集和字符的标识符（码点），而 UTF-8 是一种编码方案，用于在计算机中表示 Unicode 字符。UTF-8 编码将 Unicode 码点转换为字节序列，并且可以通过解码将字节序列转换回字符。

字符	Unicode 码点	UTF-8 编码十六进制	UTF-8 编码二进制
'爱'	U+7231	E788B1	[11100111 10001000 10110001]
'A'	U+0041	41	[01000001]
'9'	U+0039	39	[00111001]

讲解可变长字符，三字节的'爱'字的转换过程：

• 查询Unicode表，找到Unicode 码点: U+7231 十六进制数
• 十六进制数转换为二进制: 0111 0010 0011 0001
• 
• 根据 UTF-8 编码规则，U+7231 需要 3 字节。
• 
• UTF-8 编码格式： 1110xxxx 10xxxxxx 10xxxxxx
• 将二进制数字按位插入格式，按从右向左依次填充这个格式中的 x，多出的 x 用 0 补上：
  • 1110xxxx => 11100111
  • 10xxxxxx => 10001000
  • 10xxxxxx => 10110001
• 二进制每4位一组，根据下面的对照表，转十六进制，最终得到：E7 88 B1
• 

需要进一步详细重温原理，可以看本文的第2个章节：【2.首先熟悉相关字符、字符集、字符编码与字符概念】。

（2）String、Byte和Rune代码中的基本概念

详细讲解版本

String：Go 语言中的字符串是一个只读的字节切片。默认为UTF-8的字节序列，所以string底层转字节时，是默认按照UTF-8编码转换。字节转string时，也默认按照UTF-8解码，如果这组字节不是UTF-8个格式，显示string的时候则会乱码。

[]rune：可以把字符串转换为一个rune数组（即unicode数组）

• 一个rune 4个字节，32 bit
• 一个rune就表示一个Unicode字符
• 每个Unicode字符，在内存中是以utf-8的形式存储
• Unicode字符，输出[]rune，会把每个UTF-8转换为Unicode后再输出

[]byte：可以把字符串转换为一个byte数组

• 一个byte 1个字节，8 bit（为了对比rune，所以这句话看起来有点废话）
• 输出[]byte, 会按字符串在内存中实际存储形式(UTF-8)输出
• Unicode字符，按[]byte输出，就会把UTF-8的每个字节单个输出

ASCII（American Standard Code for Information Interchange）： 是一种字符编码标准，用于表示英文字符及一些控制字符。

• 7 位编码：标准 ASCII 使用 7 位来编码字符，可以表示 128 个字符（从 0 到 127）。
• 8 位扩展：扩展 ASCII 使用 8 位，可以表示 256 个字符（从 0 到 255），包括标准 ASCII 和额外的字符。
• 标准 ASCII 字符的Unicode范围是U+0000 到 U+007F ，使用单个字节表示
• 256个字符，正好可以使用1个字节表示（8bit，也就是2的8次方256个字符）全部可以存下。

非ASCII：非 ASCII 字符指的是那些超出了标准 ASCII 范围的字符。非 ASCII 字符的编码值通常在 128 以上，要更多的比特来编码，以表示更广泛的字符集。

• 截至 Unicode 15.0（最新版本），已定义的字符总数为 149,186 个 。
• 其中，128 个是标准 ASCII 字符（不包括拓展）。因此，非 ASCII 字符的数量是 149,186 - 128 = 149,058 个。
• 非 ASCII 字符的Unicode范围是 U+0080 到 U+10FFFF，最大的Unicode为U+10FFFF，二进制需要4个字节才能表示。需要使用可变的多字节表示（从 2 到 4 个字节）
• 所以

查看Go源码，byte和rune的定义分别是：type byte = uint8和type rune = int32。

// string is the set of all strings of 8-bit bytes, conventionally but not
// necessarily representing UTF-8-encoded text. A string may be empty, but
// not nil. Values of string type are immutable.
type string string

// byte is an alias for uint8 and is equivalent to uint8 in all ways. It is
// used, by convention, to distinguish byte values from 8-bit unsigned
// integer values.
type byte = uint8

// rune is an alias for int32 and is equivalent to int32 in all ways. It is
// used, by convention, to distinguish character values from integer values.
type rune = int32

byte uint8范围是0-255（2的8次方，1字节），只能够表示ASCII Unicode。

Rune int32，4字节的rune完全兼容所有的unicode，包括最大的Unicode U+10FFFF。

区别总结

特性	string	byte[]	rune
数据类型	不可变的字符串	可变的字节切片	可变的 rune（字符）切片
单位	UTF-8 字符串	单个字节	Unicode 码点（字符）
主要用途	存储和操作文本数据	操作原始二进制数据或单字节字符	处理和操作 Unicode 字符
可变性	不可变	可变	可变
访问方式	按字节或字符（rune）访问	按字节访问	按字符（rune）访问
示例	"Hello, 世界"	[]byte{'H', 'e', 'l', 'l', 'o'}	[]rune{'H', '世'}

简单总结版本

1. string

   • 定义：string 类型表示一个不可变的字节序列（文本字符串）。
   • 特点：
     • 每个字符可能是一个或多个字节。
     • 在 Go 中，string 是 UTF-8 编码的字节序列，这意味着它可以包含多字节字符。
   • 操作：string 可以使用内置的字符串操作函数，如 len、+ 等。

2. byte

   • 定义：byte 是一个 8 位无符号整数类型，本质上等同于 uint8。
   • 特点：
     • byte 类型通常用于表示原始的字节数据。
     • 处理单字节字符（如 ASCII 字符）或原始的二进制数据时非常有用。
   • 操作：byte 数组（[]byte）可以进行字节级别的操作，如读取、写入和修改。

3. rune

   • 定义：rune 是一个 32 位有符号整数类型，本质上等同于 int32。
   • 特点：
     • rune 表示一个 Unicode 码点，可以表示世界上所有的字符。
     • 使用 rune 处理多字节字符和非 ASCII 字符时更方便。
   • 操作：rune 切片（[]rune）可以方便地处理字符串中的 Unicode 字符。

存储同一个字符串时，byte和rune的代码表现

包含非ascii码的字符串

package main

import (
	"fmt"
	"unicode/utf8"
	"unsafe"
)

func main() {
	c := "go语言"
	s_rune_c := []rune(c)
	s_byte_c := []byte(c)
	fmt.Println(s_rune_c) // [103 111 35821 35328]  
	fmt.Println(s_byte_c) // [103 111 232 175 173 232 168 128]
	fmt.Println(utf8.RuneCountInString(c)) 	//4
  fmt.Println(len(c))   					//8
	fmt.Println(len(s_rune_c)) 				//4
}

• 汉字占3个字节（可变长字节存储unicode），所以转换的[]byte长度为8
• 由于已经转换为[]rune，所以长度为4
• utf8.RuneCountInString()获取UTF-8编码字符串的长度，所以跟[]rune一致

想了解更多它们的区别，可以参考另外一篇文章：golang string、byte[]以及rune的基本概念，用法以及区别-CSDN博客

（3）String、Byte和Rune代码的用法示例和转换注意事项

示例与转换

1. string 与 []byte 的转换

• string 转 []byte：将字符串转换为字节数组，可以用于对原始数据进行处理或传输。
• []byte 转 string：将字节数组转换回字符串，用于将处理后的数据重新组装为字符串。

package main

import (
    "fmt"
)

func main() {
    // string 转换为 []byte
    str := "Hello, 世界"
    byteArray := []byte(str)
    fmt.Printf("string to []byte: %v\n", byteArray)
    fmt.Printf("string to []byte: % X\n", byteArray) // 用 16 进制显示字节
    
    // []byte 转换为 string
    newStr := string(byteArray)
    fmt.Printf("[]byte to string: %s\n", newStr)
}

输出：

string to []byte: [72 101 108 108 111 44 32 228 184 150 231 149 140]
string to []byte: 48 65 6C 6C 6F 2C 20 E4 B8 96 E7 95 8C
[]byte to string: Hello, 世界

注意事项：

• 在 string 转 []byte 时，字符可能会被分割成多个字节。
• 在 []byte 转 string 时，确保字节数组是合法的 UTF-8 编码，否则会出现乱码或非法字符。

2. string 与 []rune 的转换

• string 转 []rune：将字符串转换为 rune 数组，方便逐字符处理，特别是对于非 ASCII 字符。
• []rune 转 string：将 rune 数组转换回字符串，用于重新组合字符。

package main

import (
    "fmt"
)

func main() {
    // string 转换为 []rune
    str := "Hello, 世界"
    runeArray := []rune(str)
    fmt.Printf("string to []rune: %v\n", runeArray)
    fmt.Printf("string to []rune: %c\n", runeArray) // 用字符显示每个 rune
    
    // []rune 转换为 string
    newStr := string(runeArray)
    fmt.Printf("[]rune to string: %s\n", newStr)
}

输出：

string to []rune: [72 101 108 108 111 44 32 19990 30028]
string to []rune: [H e l l o ,   世 界]
[]rune to string: Hello, 世界

注意事项：

• rune 表示的是 Unicode 码点，一个 rune 可以表示一个完整的字符。
• string 转 []rune 时，每个字符都转换为对应的 Unicode 码点，即使是多字节字符。
• []rune 转 string 时，字符会被正确地重新组装为字符串。

3. []byte 与 []rune 的转换

• []byte 转 []rune：首先需要将 []byte 转换为 string，然后再将 string 转换为 []rune。
• []rune 转 []byte：将 []rune 转换为 string，然后再将 string 转换为 []byte。

package main

import (
    "fmt"
)

func main() {
    // []byte 转换为 []rune
    byteArray := []byte("Hello, 世界")
    str := string(byteArray)    // 中间转换为 string
    runeArray := []rune(str)    // 再转换为 []rune
    fmt.Printf("[]byte to []rune: %v\n", runeArray)
    fmt.Printf("[]byte to []rune: %c\n", runeArray)
    
    // []rune 转换为 []byte
    newStr := string(runeArray) // 中间转换为 string
    newByteArray := []byte(newStr) // 再转换为 []byte
    fmt.Printf("[]rune to []byte: %v\n", newByteArray)
    fmt.Printf("[]rune to []byte: % X\n", newByteArray) // 用 16 进制显示字节
}

输出：

[]byte to []rune: [72 101 108 108 111 44 32 19990 30028]
[]byte to []rune: [H e l l o ,   世 界]
[]rune to []byte: [72 101 108 108 111 44 32 228 184 150 231 149 140]
[]rune to []byte: 48 65 6C 6C 6F 2C 20 E4 B8 96 E7 95 8C

注意事项：

• 由于 byte 只表示单个字节，因此在转换到 rune 之前，需要经过 string 以处理多字节字符。
• 直接将 []rune 转换为 []byte 是不可行的，因为 rune 是 32 位，而 byte 是 8 位，需要中间通过 string 处理字符的编码。

总结与注意事项

• string 是 UTF-8 编码的字节序列，适合用于表示和处理常规的文本数据。
• byte 类型用于处理原始字节数据，适合低级别的数据操作和处理单字节字符。
• rune 类型用于处理 Unicode 码点，适合表示和操作多字节的字符，特别是非 ASCII 字符。
• 转换时需要注意字符编码，确保在从一种表示形式转换到另一种时不会丢失数据或出现乱码，尤其是在处理非 ASCII 字符时。

9.不符合UTF-8的Byte转换示例

Java

代码

package com.xxx;

import java.nio.charset.Charset;
import java.nio.charset.StandardCharsets;
import java.util.Arrays;


public class StringConversionExample {
    public static void main(String[] args) {
        byte[] original2 = new byte[] {(byte) 0xef, (byte) 0x8f, (byte) 0xff};
        // 解决办法，使用单字节
//        byte[] transformed2 =
            new String(original2, StandardCharsets.ISO_8859_1).getBytes(StandardCharsets.ISO_8859_1);
        byte[] transformed2 = new String(original2).getBytes();
        System.out.println(Arrays.toString(original2));
        System.out.println(Arrays.toString(transformed2));
        System.out.println(Arrays.equals(original2, transformed2));

        String unicodeString = "\uFFFD";
        Charset charset = Charset.forName("UTF-8");
        byte[] byteArr = unicodeString.getBytes(charset);
        System.out.println(Arrays.toString(byteArr));
    }
}

输出

[-17, -113, -1]
[-17, -65, -67, -17, -65, -67]
false
[-17, -65, -67]

Golang

代码

package main

import (
	"fmt"
	"reflect"
	"unicode/utf8"
)

func main() {
	original2 := []byte{0xef, 0x8f, 0xff}
	transformed2 := []byte(string(original2))

	fmt.Println()
	fmt.Println("byte byte demo")
	fmt.Println("Original byte:", original2)
	fmt.Println("Transformed byte:", transformed2)
	fmt.Println("Byte are equal:", reflect.DeepEqual(original2, transformed2))
	fmt.Println("Original byte string:", string(original2))
	fmt.Println("Transformed byte string:", string(transformed2))

	if utf8.Valid(original2) {
		fmt.Println("Original is valid UTF-8")
	} else {
		fmt.Println("Original is not valid UTF-8")
	}

	fmt.Println()
	fmt.Println("rune rune demo")
	originalRune := []rune{0xef, 0x8f, 0xff}
	transformedRune := []rune(string(originalRune))

	fmt.Println("Original rune:", originalRune)
	fmt.Println("Transformed rune:", transformedRune)
	fmt.Println("Rune are equal:", reflect.DeepEqual(originalRune, transformedRune))
	fmt.Println("Original rune string:", string(originalRune))
	fmt.Println("Transformed rune string:", string(transformedRune))

	fmt.Println()
	fmt.Println("next rune to byte demo")
	originalRune2 := []rune{0xef, 0x8f, 0xff}
	transformedRune2 := []byte(string(originalRune2))

	fmt.Println("Original rune:", originalRune2)
	fmt.Println("Transformed byte:", transformedRune2)
	fmt.Println("Rune byte are equal:", reflect.DeepEqual(originalRune2, transformedRune2))
	fmt.Println("Original rune string:", string(originalRune2))
	fmt.Println("Transformed byte string:", string(transformedRune2))

	fmt.Println()
	fmt.Println("next byte to rune  demo")
	originalRune3 := []byte{0xef, 0x8f, 0xff}
	transformedRune3 := []rune(string(originalRune3))

	fmt.Println("Original byte:", originalRune3)
	fmt.Println("Transformed rune:", transformedRune3)
	fmt.Println("Byte Rune are equal:", reflect.DeepEqual(originalRune3, transformedRune3))
	fmt.Println("Original byte string:", string(originalRune3))
	fmt.Println("Transformed rune string:", string(transformedRune3))

	fmt.Println()
	fmt.Println("打印替换字符的byte和rune二进制格式")
	fmt.Println([]byte(string("\uFFFD")))
	fmt.Println([]rune(string("\uFFFD")))
}

输出

byte byte demo
Original byte: [239 143 255]
Transformed byte: [239 143 255]
Byte are equal: true
Original byte string: ��
Transformed byte string: ��
Original is not valid UTF-8

rune rune demo
Original rune: [239 143 255]
Transformed rune: [239 143 255]
Rune are equal: true
Original rune string: ïÿ
Transformed rune string: ïÿ

next rune to byte demo
Original rune: [239 143 255]
Transformed byte: [195 175 194 143 195 191]
Rune byte are equal: false
Original rune string: ïÿ
Transformed byte string: ïÿ

next byte to rune  demo
Original byte: [239 143 255]
Transformed rune: [65533 65533 65533]
Byte Rune are equal: false
Original byte string: ��
Transformed rune string: ���

打印替换字符的byte和rune二进制格式
[239 191 189]
[65533]

这里的代码中，输入都是byte[]：0xef, 0x8f, 0xff，非标准的UTF-8变长字节，转换过程会出现字符串显示乱码。

相关链接

（1）本文原理参考文档

Java里byte[]和String转换不一致的坑

Java byte[]和String转换问题

关于Java中bytes到String的转换

深入剖析go中字符串的编码问题——特殊字符的string怎么转byte？

【Golang】深究字符串——从byte rune string到Unicode与UTF-8

（2）容易忽视的类似问题，与本文的问题相似但有些区别，也很有趣

Redis数据迁移过程，使用jedis客户端，需要注意区分string和byte命令转换字符编码不一致的问题，使用不当会导致丢数据_redis数据转编议-CSDN博客