Java 字符串在编码和解码后不同

我偶然发现了编码/解码字符串的奇怪行为。请看一个示例：

@Test
public void testEncoding() {
    String str = "\uDD71"; // {56689}
    byte[] utf16 = str.getBytes(StandardCharsets.UTF_16); // {-2, -1, -1, -3}
    String utf16String = new String(utf16, StandardCharsets.UTF_16); // {65533}
    assertEquals(str, utf16String);
}

我认为这项测试会通过，但事实并非如此。有人能解释为什么编码和解码的字符串不等于原始字符串吗？

不是有效的码点，因为U+D800..U+DFFF由Unicode保留，以免与UTF-16混淆。因此，这些代码点不应显示为有效的字符数据。根据Unicode标准：

孤立的代理代码点没有解释；因此，不提供字符代码表或名称列表 这个范围

不过，这是可行的：

@Test
public void testEncoding() {
    String str = "\u0040";
    byte[] utf16 = str.getBytes(StandardCharsets.UTF_16);
    String utf16String = new String(utf16, StandardCharsets.UTF_16);
    assertEquals(str, utf16String);
}

---

因此，不是您的代码有错，而是您试图使用无效的代码点。

您必须至少显示实际输出您希望看到的输出？字节数组？UTF16字符串？以什么形式？我认为你自己可以很容易地进行这个测试。一般来说，输出结果是这些字符串是不同的

\uDD71

是低代理。单独使用它是无用的，并且不表示任何代码点。因此，它被替换为

\uFFFD

。如果您喜欢异常而不是替换，请避免使用字符串构造函数。我已经接受了您的答案，但非常感谢@Johannes Kuhn，他是第一个帮助我理解问题的人。是的，我在完成回答后看到了他的评论。他比我更了解这个主题，但这是谷歌搜索告诉我的。