JavaScript开发中需要搞懂的字符编码总结

JavaScript/前端
322
0
0
2023-03-29
深入理解JavaScript字节二进制知识以及相关API
上一篇
JS图片懒加载库VueLazyLoad详解
下一篇
目录
  • 字符集和字符编码
  • ASCII
  • 字符集的发展历史
  • Unicode
  • UTF-8
  • UTF-16
  • 比较
  • 前端开发中的编码
  • 字符串长度计算
  • 组合字符的长度
  • 多码元字符操作
  • 正则中的 u 修饰符
  • 转义字符
  • 常用API
  • 处理码点和字符
  • TextEncoder
  • String.prototype.normalize()
  • URL的UTF8编解码

字符集和字符编码

字符集就是字符的集合，如常见的 ASCII字符集，GB2312字符集，Unicode字符集等。这些不同字符集之间最大的区别是所包含的字符数量的不同。

字符编码则代表字符集的实际编码规则，是用于计算机解析字符的，如 GB2312，GBK，UTF-8 等。字符编码的本质就是如何使用二进制字节来表示字符的问题。

字符集和编码是一对多的关系，同一字符集可能有多种字符编码，如Unicode字符集就有 UTF-8，UTF-16 等。

在前端开发中，Javascript程序是使用Unicode字符集，Javascript源码文本通常是基于UTF-8编码。

但JS代码中的字符串类型是UTF-16编码的，这也是为什么会碰到api接口返回字符串在前端出现乱码，因为多数后台服务都使用utf-8编码，前后编码方式不一致。

说起字符集的发展历程，可以总结为一句话：几乎都是对ASCII字符集的扩展。

ASCII

我们知道，计算机是使用二进制来处理信息的。

其中，每一个二进制位(bit)有 0和1 两种状态。一个字节(byte)则有8个二进制位，可以有256种状态。

而ASCII就是基于拉丁字母、主要用于显示英文的一种单字节字符集，它的编码和字符是一一对应的，因为它就是使用一个字节8个二进制位来表示，不会超过256个字符。

标准的ASCII字符总计有128个字符(2^7)，其中前面32个控制字符，后面96个是可打印字符，包括常用的大小写字母数字标点符号等。因为只占用了一个字节的后7位，那字节的最高位一般设置为0。

'a'.charCodeAt() // 97
'A'.charCodeAt() // 65
'9'.charCodeAt() // 57
'.'.charCodeAt() // 46

如上，每个字符会对应一个编码(使用数字标识)，总共会从0-128。完整的ASCII码表，网上很容易找到。

通过ASCII码表，我们发现，小写字母并没有和大写字母挨着排序？

这是为了方便大小写之间的转换， A 排在 65(64 + 1) 位，而 a 排在 97(64 + 32 + 1) 位。

65 ^ 32 = 97
// A ^ 32 = a

字符集的发展历史

ASCII是几乎所有字符集的基础。

标准的ASCII码最多只能标识128个字符，欧美国家可以很好的使用，但其他国家的字符变多，自然就不够用了。

这个时候，最高位就开始被惦记上，通过扩展ASCII码的最高位，又能满足用于特殊符号的一些国家的需求，这种就是扩展ASCII码。

但是亚非拉更多非拉丁语系的国家，字符成千上万，只能使用新的方式。

如中文，就又进行了扩展，小于127的字符的意义与标准ASCII码相同，当需要标识汉字时，使用2个字节，每个字节都大于127。这种多字节字符集即GB2312，后续因为不断的扩展，如繁体字和各种符号，甚至少数民族的语言符号等等，又使用了包括GBK等不同字符集。

因此，很多国家都制定了自己的编码字符集，基本都是在ASCII的基础上进行的。

各字符集虽然都能够兼容标准ASCII码，但在使用交流上的不便是显而易见的，乱码也是随处可见。为了解决这种各自为战的问题，Unicode字符集就诞生了。

Unicode

Unicode是国际组织制定的，用于收纳世界上所有文字和符号的字符集方案。

前128个字符同ASCII一样，进行扩充后，使用数字0-0x10FFFF来映射这些字符，最多可以有1114112个字符。目前仍然只使用了其中的一小部分。

Unicode一般使用两个字节来表示一个字符。

码点

  • Unicode 规定了每个字符的数字编号，这个编号被称为 码点(code point)。
  • 码点以 U+hex 的形式表示，U+是代表Unicode的前缀，而 hex 是一个16进制数。取值范围是从 U+0000 到 U+10FFFF。
  • 每个码点对应一个字符，绝大部分的常见字符在最前面的 65536 个字符，范围是 U+0000到U+FFFF。
  • 一般汉字的码点区间为 U+2E80 - U+9FFF。

字符平面

  • 目前的Unicode分成了17个编组，也称平面，每个平面有65536个码点。
  • 第一个平面是基本多语言平面，范围：U+0000 - U+FFFF，多数常见字符都在该区间。
  • 其他平面则为辅助平面，范围：U+10000 到 U+10FFFF，如我们在网上常见 Emoji 表情。

码元

  • 码元(Code Unit)可以理解为对码点进行编码时的最小基本单元，码元是一个整体。而字符编码的作用就是将Unicode码点转换成码元序列。
  • Unicode常用的编码方式有 UTF-8 、UTF-16 和 UTF-32，UTF是Unicode TransferFormat的缩写。
  • UTF-8是8位的单字节码元，UTF-16是16位的双字节码元，UTF-32是32位的四字节码元。

编码方式

码元

编码后字节数

UTF-8

8位

1-4字节

UTF-16

16位

2字节或者4字节

UTF-32

32位

4字节

另外，为什么总看到使用十六进制数据来表示如码点等各种数据呢？

因为，两位的十六进制正好等于一个字节8位，0xff = 0b11111111。

UTF-8

UTF-8是一种可变长度的字符编码方式。目前是使用 1 到 4 个字节来编码字符。

是互联网时代应用最广的一种编码方式，前端接触的相对最多。

需要注意的是：汉字一般占3个字节，表情符号一般占4个字节。

UTF-8的编码规则：

  • 1个字节的字符，第一位为0，后7位为码点，与ASCII相同。
  • n个字节的字符，第一个字节前面 n 位都是1，n+1位是0，可据此判断有几个字节。后面的几个字节都是 10 为开头2位。

这里规定的都是前缀，对于字符的码点，需要进行截取后依次放入除前缀外的其他位，所以UTF-8又被称为前缀码。

格式如下表：

字节数

码点位数

码点范围

编码方式

1

7

U+0000~U+007F

0×××××××

2

11

U+0080~U+07FF

110××××× 10××××××

3

16

U+0800~U+FFFF

1110×××× 10×××××× 10××××××

4

21

U+10000~U+10FFFF

11110××× 10×××××× 10×××××× 10××××××

通过上表的编码规则，我们就可以进行各种转换了。

下面我们以一个中文字符的编码转换为例，如汉字 '好'：

'好'的Unicode码点：'好'.codePointAt() \\ 22909，结果是22909

22909在UTF-8的3字节数的编码区间 U+0800 (2048) ~ U+FFFF (65535)

22909的二进制值：101100101111101，有15位

而3字节数的编码需要16位，前面补0，根据表中规则分成3组：0101 100101 111101

依次填入对应的前缀：11100101 10100101 10111101，得到3个字节

将得到的三个字节转成十六进制数据：E5 A5 BD，所以汉字 '好' 的UTF-8就是：E5 A5 BD

我们使用 encodeURI 进行验证————encodeURI函数支持将中文进行 UTF-8 编码：

encodeURI('好') // '%E5%A5%BD'

去除百分号，结果正好一致。

UTF-16

UTF-16的编码方式：基本平面的字符占用 2 个字节（U+0000到U+FFFF），辅助平面的字符占用 4 个字节（U+010000到U+10FFFF）。

也就是说，UTF-16的编码长度要么是2个字节要么是4个字节。当为2字节时，则实际上是与Unicode相同。

并且还有个原则，在Unicode基本多语言平面内，从U+D800到U+DFFF之间的码点区间是不对应字符的。而UTF-16需要利用这块码位来对辅助平面的字符进行编码。

它的具体规则：

码点小于U+FFFF，基本字符，不需处理，直接使用，占两个字节。

否则，拆分成两个码元，四个字节，cp表示码点：

低位——((cp - 65536) / 1024) + 0xD800，值范围是 0xD800~0xDBFF；

高位——((cp - 65536) % 1024) + 0xDC00，值范围是 0xDC00~0xDFFF。

看下面的示例：

1.汉字 '好'，'好'.codePointAt() // 22909，码点小于U+FFFF，直接进行十六进制转换：579D。

2.表情符号 '😄'，'😄'.codePointAt() // 128516，码点大于U+FFFF，需要拆分：

  • 低位：Math.floor(((128516 - 65536) / 1024)) + 0xD800 // 55357, 得到 D83D
  • 高位：((128516 - 65536) % 1024) + 0xDC00 // 56836，得到 DE04

使用 String.fromCharCode 方法进行验证：

String.fromCharCode(0xD83D, 0xDE04)  // '😄'

需要明确的一点，Javascript中的字符串是基于UTF-16编码的，大端序字节。

UTF-32是定长的编码，每个码位使用四个字节进行编码。优点是和unicode一一对应，缺点是太浪费空间。

比较

下面将选取字母、汉字、表情字符，进行编码对比查看：

// UTF-8
'a': 97 - 0x61
'好': 22909 - (0xE5 0xA5 0xBD)
'😄'： 128516 - (0xF0 0x9F 0x98 0x84)

// UTF-16
'a': 97 - 0x0061
'好': 22909 - 0x597d
'😄'： 128516 - (0xD83D, 0xDE04)

可以看到，UTF-8是变长1-4个字节，码元为8位；UTF-16是2或4字节，码元是16位。

这里记住UTF-16的码元，对于我们理解下面的问题，比较有帮助。

前端开发中的编码

前面已提到过，javascript中的字符串是基于UTF-16编码的，所以在计算字符串长度时，我们需要先理解UTF-16编码。

下面看下处理字符串时可能会遇到的问题。

字符串长度计算

字符串的length属性，实际上是使用UTF-16的码元个数来进行计算的：

  • ASCII码和大部分中文，都是一个码元
  • 而表情字符和其他特殊字符都是两个码元

所以当某个字符中存在2个码元时，就算显示的是一个字符，length却等于2。

'a'.length // 1
'好'.length // 1，多数汉字都是基本字符平面，只有一个码元，长度就为1。
'😄'.length // 2

组合字符的长度

还有一种特殊的，组合字符，一般指一些带标点符号的字符：é。


'é'.length // 2
'e\u0301'.length // 2

// 获取码点时，忽略了标点符号，显示的是字母的码点
'é'.codePointAt() // 101
'e'.codePointAt() // 101

如要正常操作组合字符，使用normalize()。

'é'.normalize().length = 1。

多码元字符操作

对于多码元字符使用下标取值时，得到的将是它的码元：

'😄'[0] // '\uD83D'
'123'[0] // '1'

循环时，使用 for 会乱码，而 for-of 则正常：

let smile = '😄'
for(let i = 0; i < smile.length; i++) { 
  console.log(smile[i]) 
}
// �
// �

for (let tt of smile) {
  console.log(tt)
}
// 😄

但，可以使用转换成扩展数组的方式访问：

[...'😄'][0] // '😄'
Array.from('😄') // ['😄']

还可以使用码点的方式：

String.fromCodePoint('😄'.codePointAt()) // '😄'

对于这种特殊字符，使用下面的字符串方法都会分割码元：

split()，slice()，charAt()，charCodeAt()，substr()，substring()。

'😄'.slice(0, 2) // '😄'
'😄'.slice(0, 1) // '\uD83D'
'😄'.slice(1, 2) // '\uDE04'
'😄'.substr(0,1) // '\uD83D'
'😄'.substr(0,2) // '😄'

'😄'.split('') // ['\uD83D', '\uDE04']

正则中的 u 修饰符

ES6在正则中添加了u修饰符，用来正确处理大于\uFFFF的 Unicode 字符。

也就是能够正确处理四个字节的 UTF-16 编码。

/^\S$/.test('😄') // false
/^\S$/u.test('😄') // true

但对组合字符，u修饰符不起作用：

/^\S$/u.test('é') // false
/^\S$/u.test('e\u0301') // false

转义字符

我们还需要注意的，是转义字符的计算，结果会以实际字符为准：

'\x3f'.length // 1
'?'.length // 1

读取操作时，也能正常处理：

'\x3f'[0] // '?'
'\x3f'.split('') // ['?']

常用API

前端在对Unicode编码处理时，提供了一些可以使用的API，在实际工作中，会方便我们处理这方面的问题。

处理码点和字符

charAt(index)：从一个字符串中返回指定的字符，对于多码元字符，却会返回码元字符：

'a'.charAt() // 'a'
'😄'.charAt() // '\uD83D'
'😄'.charAt(1) // '\uDE04'

charCodeAt(index)：返回0到65535之间的整数码点值。对于多码元字符如果码点大于U+FFFF，则返回第一个码元值，还可以加索引参数取后面码元的值。

codePointAt(pos)：返回Unicode码点，多码元也能返回完整的码点值。codePointAt可以传入索引参数，对多码元字符取第二个码元值。

// 小于 U+FFFF
'好'.codePointAt() // 22909
'好'.charCodeAt() // 22909

// 大于 U+FFFF
'😄'.charCodeAt() // 55357
'😄'.charCodeAt(1) // 56836
'😄'.codePointAt() // 128516
'😄'.codePointAt(1) // 56836

String.fromCharCode(num1[, ...[, numN]])：返回由指定的UTF-16码点序列创建的字符串。参数范围0到65535，大于65535的数据将被截断，结果不准确。对于多码元字符，则会将两个码元组合得到该字符。

String.fromCodePoint(num1[, ...[, numN]])：返回使用指定的代码点序列创建的字符串。可以处理多码元字符的完整码点值。

String.fromCharCode(55357, 56836, 123) // '😄{'
String.fromCodePoint(128516, 123, 8776) // '😄{≈'

TextEncoder

TextEncoder，使用 UTF-8 编码将代码点流转换成字节流。

TextDecoder：解码。

默认编码方式就是UTF-8，可以解决字符转UTF-8编码的问题。

const txtEn = new TextEncoder()
const enVal = txtEn.encode('好')
// Uint8Array(3) [229, 165, 189]
const txtDe = new TextDecoder()
txtDe.decode(enVal) // '好'

IE不支持。

String.prototype.normalize()

对于语调符号和重音符号，Unicode提供了两种方法，一种是直接提供带符号的字符，如 é (码点233)；另一种是组合字符，如上文提到的 é

(码点101)。

针对这种码点不同，但实质一样的字符，Javascript识别不了：

'é' === 'é' // false

而 normalize() 方法的引入，正是为了解决这一问题，它会按照一定的方式将字符的不同表示方法统一为标准形式：

'é' === 'é'.normalize() // true

URL的UTF8编解码

另外，在前端常接触的网页中，URL链接编码也是非常常见的。

诸如：'http://baidu.com%2F%E4%B8%AD%E5%9B%BD'。这里面涉及到的就是关于UTF-8的编码。

JavaScript提供了四个URL的编码/解码方法，可以用于将非ASCII码的字符，如中文字符、特殊字符、表情字符等，进行UTF-8的编解码操作：

  • encodeURI() 和 decodeURI()
  • encodeURIComponent() 和 decodeURIComponent()

这里的转换方式：先转为UTF-8的字节码，然后在每个字节码前面加个 % 符号进行拼接得到编码结果。 它们的短处也很明显，对ASCII字符如英文数字等字符则无法处理。

encodeURI('好') // '%E5%A5%BD'
decodeURI('%E5%A5%BD') // '好'
encodeURIComponent('好') // '%E5%A5%BD'
decodeURIComponent('%E5%A5%BD') // '好'
encodeURIComponent('😄') // '%F0%9F%98%84'
decodeURIComponent('%F0%9F%98%84') // '😄'
encodeURI('hello') // 'hello'
encodeURIComponent('hello') // 'hello'

encodeURI和encodeURIComponent的区别

这两者的不同之处，在于对部分URL元字符符号的处理上。

URL元字符：分号（;），逗号（’,’），斜杠（/），问号（?），冒号（:），at（@），&，等号（=），加号（+），美元符号（$），井号（#）。

encodeURIComponent会对这些URL元字符进行编码，但是encodeURI则不会：

encodeURIComponent(';,/@&=') // '%3B%2C%2F%40%26%3D'
encodeURI(';,/@&=') // ';,/@&='
深入理解JavaScript字节二进制知识以及相关API
上一篇
JS图片懒加载库VueLazyLoad详解
下一篇