乱码是 Java IO 中最常见的问题之一。它不是玄学，本质上是编码和解码规则不一致。

1. 字符、编码、字符集

字符是人能理解的文字或符号，例如 A、中、。。

计算机只能存储字节，所以字符需要编码成字节。

字符集定义了字符和字节之间的映射规则。

常见字符集：

• UTF-8
• UTF-16
• GBK
• ISO-8859-1

2. 编码和解码

写入文本时：

字符 -> 按字符集编码 -> 字节

读取文本时：

字节 -> 按字符集解码 -> 字符

乱码出现的典型原因：

写入时使用 UTF-8
读取时使用 GBK

规则不一致，结果就可能错误。

3. Java 中指定字符集

推荐统一使用 StandardCharsets。

byte[] bytes = "中文".getBytes(StandardCharsets.UTF_8);
String text = new String(bytes, StandardCharsets.UTF_8);

读文件：

Files.newBufferedReader(path, StandardCharsets.UTF_8);

写文件：

Files.newBufferedWriter(path, StandardCharsets.UTF_8);

4. 不推荐依赖默认字符集

不推荐：

new String(bytes);
"中文".getBytes();
new FileReader("a.txt");
new FileWriter("a.txt");

这些写法依赖默认字符集。虽然 Java 18 起默认字符集统一为 UTF-8，但为了跨版本、跨运行环境和代码可读性，生产代码仍建议显式指定字符集。

5. 常见乱码场景

5.1 文件乱码

文件实际是 GBK，代码按 UTF-8 读：

Files.readString(path, StandardCharsets.UTF_8);

解决：确认文件真实编码，并使用一致字符集。

5.2 HTTP 请求乱码

请求体编码、服务端解析编码、响应编码不一致。

解决：

• 请求和响应统一 UTF-8。
• Content-Type 明确声明 charset=UTF-8。
• 服务端读取流时显式指定编码。

5.3 数据库乱码

应用、JDBC、数据库、表字段字符集不一致。

解决：统一连接参数、数据库字符集、表字符集和应用编码。

5.4 日志乱码

日志框架编码、控制台编码、文件查看工具编码不一致。

解决：统一日志输出编码和查看工具编码。

6. UTF-8 为什么常用

UTF-8 的优点：

• 兼容 ASCII。
• 支持全世界大部分字符。
• 英文内容空间占用小。
• Web、Linux、数据库、现代工具链广泛使用。

现代系统中，除非有老系统兼容要求，建议统一使用 UTF-8。

7. 乱码排查步骤

1. 确认原始数据是什么编码。
2. 确认读取时使用什么编码。
3. 确认中间传输有没有再次转码。
4. 确认输出端或查看工具使用什么编码。
5. 避免反复 new String(str.getBytes(...), ...) 盲目试错。

专家实践清单

检查点	要确认什么	常见问题
数据源	原始字节使用什么编码	文件实际不是 UTF-8
读取端	程序用什么 Charset 解码	使用默认编码
传输层	HTTP/消息是否声明编码	Header 与内容不一致
存储层	数据库字段和连接编码	写入正常读取乱码
输出端	终端、浏览器、日志查看器编码	查看工具解码错误

乱码排查链路：

原始字节
  │ 正确编码？
  ▼
程序解码
  │ 正确 Charset？
  ▼
内部 String
  │ 是否重复转码？
  ▼
输出编码
  │ 查看工具是否一致？

Tips 快问快答

Q：乱码的本质是什么？ A：同一组字节被使用错误的字符集解码，或编码解码链路不一致。

Q：Java String 内部是乱码的吗？ A：String 是字符序列，乱码通常发生在字节和字符转换边界。

Q：为什么默认编码危险？ A：不同操作系统、容器镜像、JDK 配置可能默认编码不同。

Q：UTF-8 能表示中文吗？ A：能，UTF-8 是 Unicode 的变长编码形式。

Q：ISO-8859-1 读取中文会怎样？ A：会把中文 UTF-8 字节按单字节字符解释，通常出现乱码。

Q：如何确认文件真实编码？ A：查看来源系统、协议声明、编辑器编码和原始字节特征，不要只猜。

Q：为什么反复 getBytes/new String 不可靠？ A：如果已经错误解码，原始字节信息可能丢失。

Q：生产代码最稳的原则是什么？ A：入口、存储、传输、输出都显式声明并统一 UTF-8。

8. 总结

乱码的根因几乎总是编码和解码不一致。资深工程师处理乱码问题不会靠猜，而是沿着“数据源编码 -> 传输编码 -> 程序解码 -> 输出编码”逐段确认。生产代码中最重要的原则是显式指定字符集，并尽量统一 UTF-8。