作者 | 程序猿石頭
責編 | 晉兆雨
頭圖 | 付費下載于視覺中國

關于作者：程序猿石頭(ID: tangleithu)，現(xiàn)任阿里巴巴技術專家，清華學渣，前大疆后端 Leader。

背景

作者的同學是某大公司高級開發(fā)工程師，某日收到不少錯誤告警信息，于是便去開始排查。

跟蹤日志發(fā)現(xiàn)是某個服務拋出的異常信息，奇怪的是這個服務上線也有一段時間了。之前很少看到類似的錯誤信息，最近偶爾多了起來。

后來才定位到是因為服務調(diào)用了某外部接口，發(fā)現(xiàn)對方對參數(shù)長度做了限制，如果輸入?yún)?shù)超過 1000 bytes，就直接拋異常，代碼類似如下：

/***?@param?status*?@param?result,?the?size?should?less?than?1000?bytes*?@throws?Exception*/ public?XXResult(boolean?status,?String?result)?{if?(result?!=?null?&&?result.getBytes().length?>?1000)?{throw?new?RuntimeException("result?size?more?than?1000?bytes!");}...... }

心想，這還不簡單，咱們的 result 也不是什么關鍵性的東西，你有限制，我直接 trim 一下不就行了？

解決方案

于是三下五除二，給搞了個 trim 方法，支持傳不同參數(shù)按需 trim，代碼如下：

/***?將給定的字符串?trim?到指定大小*?@param?input*?@param?trimTo?需要?trim?的字節(jié)長度*?@return?trim?后的?String*/ public?static?String?trimAsByte(String?input,?int?trimTo)?{if?(Objects.isNull(input))?{return?null;}byte[]?bytes?=?input.getBytes();if?(bytes.length?>?trimTo)?{byte?[]?subArray?=?Arrays.copyOfRange(bytes,?0,?trimTo);return?new?String(subArray);}return?input; }

再在需要調(diào)用外部服務的地方，先調(diào)用這個?trimAsByte?方法，一頓操作連忙上線，一切完美~

災難現(xiàn)場

一切完美，作者也是這樣認為的。然后幸福總是短暫的。

經(jīng)過一段時間后（前面也提到，業(yè)務場景確實是偶發(fā)的），相同的錯誤仍然發(fā)生了。

簡直不敢相信，都 trim 了為啥還會超出？你也幫忙想想，是哪里的問題？

看看上面的例子（為了方便展示，簡單修改文首代碼了下），

trimAsByte("WeChat:tangleithu",?8)

輸入字符串?WeChat:tangleithu?太長了，只 trim 到剩下 8 個字節(jié)，對應的字節(jié)數(shù)組是從?[87,101,67,104,97,116,58,116,97,110,103,108,101,105,116,104,117]?變?yōu)榱?[87,101,67,104,97,116,58,116]，字符串變成了?WeChat:t?，結果正確。

其實在寫這個方法的時候還是太草率了，本應該很容易想到中文的情況的，我們來試試：

trimAsByte("程序猿石頭",?8)

看上述截圖，悲劇了，輸入程序猿石頭，3 個字節(jié)一個漢字，一共 15 個字節(jié)?[-25,-88,-117,-27,-70,-113,-25,-116,-65,-25,-97,-77,-27,-92,-76]，trim 到 8 位，剩下前 8 位?[-25,-88,-117,-27,-70,-113,-25,-116]?也正確。再 new String，又變成3 個 “中文” 了，雖然第 3 個“中文”，咱也不認識，咱也不敢問到底讀啥，總之再轉換成字節(jié)數(shù)組，長度多了 1 個，變成 9 了。

問題算是定位到了。

不禁要問，為什么？

來看看這個 String 的構造函數(shù)，看看上面注釋才發(fā)現(xiàn)，其實我們忽略了一個很重要的概念，就是編碼方式。

/***?Constructs?a?new?{@code?String}?by?decoding?the?specified?array?of?bytes*?using?the?platform's?default?charset.??The?length?of?the?new?{@code*?String}?is?a?function?of?the?charset,?and?hence?may?not?be?equal?to?the*?length?of?the?byte?array.**?<p>?The?behavior?of?this?constructor?when?the?given?bytes?are?not?valid*?in?the?default?charset?is?unspecified.??The?{@link*?java.nio.charset.CharsetDecoder}?class?should?be?used?when?more?control*?over?the?decoding?process?is?required.**?@param??bytes*?????????The?bytes?to?be?decoded?into?characters**?@since??JDK1.1*/ public?String(byte?bytes[])?{//this(bytes,?0,?bytes.length);checkBounds(bytes,?offset,?length);this.value?=?StringCoding.decode(bytes,?offset,?length); }

當我們用默認的構造函數(shù) new String 的時候，只是用了系統(tǒng)默認的編碼（本文是“UTF-8”）去嘗試解碼，構造出字符串。

所以，當我們在用字節(jié)數(shù)組（字節(jié)流）來表達具體的語義的時候，一定要約定好以什么方式進行編碼，本文不具體闡述編碼問題了。下面用一個例子來解釋上文的現(xiàn)象：

[-25,-88,-117,-27,-70,-113,-25,-116,-65,-25,-97,-77,-27,-92,-76] 仍然用這串字節(jié)數(shù)組來實驗，這串字節(jié)數(shù)組，如果用 “UTF-8” 編碼去解釋，那么其想表達的語義就是中文“程序猿石頭”，從上文標注的 1，2，3 中可以看出來，沒有寫即用了系統(tǒng)中的默認編碼“UTF-8”。

假設按照 “GBK” 來解釋（標注 4），就是表達的 “紼嬪簭鐚跨煶澶�”，注意看下其中的?�?是不是似曾相識；

注意標注 5，通過 GBK 解釋構造字符串后，再通過默認的 “UTF-8” 獲取字節(jié)數(shù)組，長度就變成 24 了，然后還通過 “GBK” 編碼得到的字節(jié)數(shù)組長度為 15（標注 6），再試圖構造字符串（標注 7），其中“程序猿石頭”的“頭”字，已經(jīng)沒了。說明這個轉換過程中，其實信息已經(jīng)被丟了。

上面的?�?其實是 UNICODE 編碼方式中的一個特殊的字符，也就是 0xFFFD(65535)，其實是一個占位符(REPLACEMENT CHARACTER)，用來表達未知的、沒辦法表達的東東。上文中在進行編碼轉換過程中，出現(xiàn)了這個玩意，其實也就是沒辦法準確表達含義，會被替換成這個東西，因此信息也就丟失了。你可以試試前面的例子，比如把前 8 個字節(jié)中的最后一兩個字節(jié)隨便改改，都是一樣的。

程序猿石頭：65533 示例

總結

總結一下，其實本來是一個很簡單的問題，卻經(jīng)過幾次修改才最終解決，說明對 “基礎” 掌握得還是不夠，一個重要的點是，在處理二進制數(shù)據(jù)的時候，一定要聯(lián)想到 “編碼” 方式。

另外，提醒我們，看似簡單的問題，我們往往容易忽略。比如如果單純看到文中提到的這個trim 方法，其實很容易寫個單元測試就能盡早發(fā)現(xiàn)有問題；

更多閱讀推薦

• 大神們都是如何在時間序列中進行特征提取的？看完就懂了！

• 億級大表分庫分表實戰(zhàn)總結（萬字干貨，實戰(zhàn)復盤）

• 贈書 | 華為數(shù)據(jù)底座的整體架構與建設策略

• 區(qū)塊鏈和大數(shù)據(jù)一起能否開啟數(shù)據(jù)完整性的新紀元？

• ?情感 AI，再不涉獵就要晚了

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現(xiàn)金大獎

總結

以上是生活随笔為你收集整理的你可能也会掉进这个简单的 String 的坑的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。