从某编码向Unicode编码转化时，如果没有对应的字符，得到的将是Unicode的代码“\uffffd”，也就是�这个字符。
这个是你的爬虫根本不识别原网页的编码格式（ASCII或者GB2312等）和压缩格式（Gzip等），全都无脑转成UTF-8字符串导致的，出现这个字符说明转换失败，数据已经丢失了，这个字符本身并没什么实际意义。

如果是PHP的话，这个可能是因为substring导致的。解决办法是安装mb_string模块，使用mb_*系列函数。

有时候一个汉字被截掉一部分会产生这个符号，比如一个两字节的汉子被截掉了一字节，怎么处理我也不知道。。。
你这个应该是‘具’字被分成两部分了。。

public static function utf8Substr($str, $from, $len)
{
    return preg_replace('#^(?:[\x00-\x7F]|[\xC0-\xFF][\x80-\xBF]+){0,'.$from.'}'.
        '((?:[\x00-\x7F]|[\xC0-\xFF][\x80-\xBF]+){0,'.$len.'}).*#s',
        '$1',$str);
}

这个问题我估计是因为这段文字在换行的时候被截断了，你扒文字的时候注意看看换行符有没有把一个文字分成两半

可能它就是乱码
你可以用浏览器正常访问一下试试