前端開發中需要搞懂的字符編碼知識

字符集和字符編碼

字符集就是字符的集合，如常見的 ASCII字符集，GB2312字符集，Unicode字符集等，這些不同字符集之間最大的區別是所包含的字符數量的不同，

字符編碼則代表字符集的實際編碼規則，是用于計算機決議字符的，如 GB2312，GBK，UTF-8 等，字符編碼的本質就是如何使用二進制位元組來表示字符的問題，

字符集和編碼是一對多的關系，同一字符集可能有多種字符編碼，如Unicode字符集就有 UTF-8，UTF-16 等，

在前端開發中，Javascript程式是使用Unicode字符集，Javascript原始碼文本通常是基于UTF-8編碼，
但js代碼中的字串型別是UTF-16編碼的，這也是為什么會碰到api介面回傳字串在前端出現亂碼，因為多數服務都使用utf-8編碼，前后編碼方式不一致，

說起字符集的發展歷程，可以總結為一句話：幾乎都是對ASCII字符集的擴展，

ASCII

我們知道，計算機是使用二進制來處理資訊的，
其中，每一個二進制位(bit)有 0和1 兩種狀態，一個位元組(byte)則有8個二進制位，可以有256種狀態，

而ASCII就是基于拉丁字母、主要用于顯示英文的一種單位元組字符集，它的編碼和字符是一一對應的，因為它就是使用一個位元組8個二進制位來表示，不會超過256個字符，

標準的ASCII字符總計有128個字符(2^7)，其中前面32個控制字符，后面96個是可列印字符，包括常用的大小寫字母數字標點符號等，因為只占用了一個位元組的后7位，那位元組的最高位一般設定為0，

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

如上，每個字符會對應一個編碼(使用數字標識)，總共會從0-128，完整的ASCII碼表，網上很容易找到，

通過ASCII碼表，我們發現，小寫字母并沒有和大寫字母挨著排序？這是為了方便大小寫之間的轉換， A 排在 65(64 + 1) 位，而 a 排在 97(64 + 32 + 1) 位，

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

字符集的發展歷史

ASCII是幾乎所有字符集的基礎，

標準的ASCII碼最多只能標識128個字符，歐美國家可以很好的使用，但其他國家的字符變多，自然就不夠用了，
這個時候，最高位就開始被惦記上，通過擴展ASCII碼的最高位，又能滿足用于特殊符號的一些國家的需求，這種就是擴展ASCII碼，

但是亞非拉更多非拉丁語系的國家，字符成千上萬，只能使用新的方式，
如中文，就又進行了擴展，小于127的字符的意義與標準ASCII碼相同，當需要標識漢字時，使用2個位元組，每個位元組都大于127，這種多位元組字符集即GB2312，后續因為不斷的擴展，如繁體字和各種符號，甚至少數民族的語言符號等等，又使用了包括GBK等不同字符集，
因此，很多國家都制定了自己的編碼字符集，基本都是在ASCII的基礎上進行的，

各字符集雖然都能夠兼容標準ASCII碼，但在使用交流上的不便是顯而易見的，亂碼也是隨處可見，為了解決這種各自為戰的問題，Unicode字符集就誕生了，

Unicode

Unicode是國際組織制定的，用于收納世界上所有文字和符號的字符集方案，
前128個字符同ASCII一樣，進行擴充后，使用數字0-0x10FFFF來映射這些字符，最多可以有1114112個字符，目前仍然只使用了其中的一小部分，
Unicode一般使用兩個位元組來表示一個字符，

• 碼點
  Unicode 規定了每個字符的數字編號，這個編號被稱為 碼點(code point)，
  碼點以 U+hex 的形式表示，U+是代表Unicode的前綴，而 hex 是一個16進制數，取值范圍是從 U+0000 到 U+10FFFF，

每個碼點對應一個字符，絕大部分的常見字符在最前面的 65536 個字符，范圍是 U+0000到U+FFFF，
一般漢字的碼點區間為 U+2E80 - U+9FFF，

• 字符平面
  目前的Unicode分成了17個編組，也稱平面，每個平面有65536個碼點，
  第一個平面是基本多語言平面，范圍：U+0000 - U+FFFF，多數常見字符都在該區間，
  其他平面則為輔助平面，范圍：U+10000 到 U+10FFFF，如我們在網上常見 Emoji 表情，

• 碼元
  碼元(Code Unit)可以理解為對碼點進行編碼時的最小基本單元，碼元是一個整體，而字符編碼的作用就是將Unicode碼點轉換成碼元序列，
  Unicode常用的編碼方式有 UTF-8 、UTF-16 和 UTF-32，UTF是Unicode TransferFormat的縮寫，
  UTF-8是8位的單位元組碼元，UTF-16是16位的雙位元組碼元，UTF-32是32位的四位元組碼元，

另外，為什么總看到使用十六進制資料來表示如碼點等各種資料呢？
因為，兩位的十六進制正好等于一個位元組8位，0xff = 0b11111111，

UTF-8

UTF-8是一種可變長度的字符編碼方式，目前是使用 1 到 4 個位元組來編碼字符，
是互聯網時代應用最廣的一種編碼方式，前端接觸的相對最多，

需要注意的是：漢字一般占3個位元組，表情符號一般占4個位元組，

UTF-8的編碼規則：

• 1個位元組的字符，第一位為0，后7位為碼點，與ASCII相同，
• n個位元組的字符，第一個位元組前面 n 位都是1，n+1位是0，可據此判斷有幾個位元組，后面的幾個位元組都是 10 為開頭2位，
  這里規定的都是前綴，對于字符的碼點，需要進行截取后依次放入除前綴外的其他位，所以UTF-8又被稱為前綴碼，
  格式如表：

通過上表的編碼規則，我們就可以進行各種轉換了，
下面我們以一個中文字符的編碼轉換為例，如漢字 '好'：

'好'的Unicode碼點：'好'.codePointAt() \\ 22909，結果是22909；
22909在UTF-8的3位元組數的編碼區間 U+0800 (2048) ~ U+FFFF (65535)；
22909的二進制值：101100101111101，有15位；
而3位元組數的編碼需要16位，前面補0，根據表中規則分成3組：0101 100101 111101；
依次填入對應的前綴：11100101 10100101 10111101，得到3個位元組；
將得到的三個位元組轉成十六進制資料：E5 A5 BD，所以漢字 '好' 的UTF-8就是：E5 A5 BD，

我們使用 encodeURI 進行驗證————encodeURI函式支持將中文進行 UTF-8 編碼：

encodeURI('好') // '%E5%A5%BD'

去除百分號，結果正好一致，

UTF-16

UTF-16的編碼方式：基本平面的字符占用 2 個位元組（U+0000到U+FFFF），輔助平面的字符占用 4 個位元組（U+010000到U+10FFFF），
也就是說，UTF-16的編碼長度要么是2個位元組要么是4個位元組，當為2位元組時，則實際上與Unicode相同，

并且還有個原則，在Unicode基本多語言平面內，從U+D800到U+DFFF之間的碼點區間是不對應字符的，而UTF-16需要利用這塊碼位來對輔助平面的字符進行編碼，
它的具體規則：

• 碼點小于U+FFFF，基本字符，不需處理，直接使用，占兩個位元組，
• 否則，拆分成兩個碼元，四個位元組，cp表示碼點：
  1. 低位——((cp - 65536) / 1024) + 0xD800，值范圍是 0xD800~0xDBFF；
  2. 高位——((cp - 65536) % 1024) + 0xDC00，值范圍是 0xDC00~0xDFFF，

看下面的示例：

1. 漢字 '好'，'好'.codePointAt() // 22909，碼點小于U+FFFF，直接進行十六進制轉換：579D，
2. 表情符號 '??'，'??'.codePointAt() // 128516，碼點需要拆分：
   • 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 方法進行驗證：

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

需要明確的一點，Javascript中的字串是基于UTF-16編碼的，大端序位元組，

UTF-32是定長的編碼，每個碼位使用四個位元組進行編碼，優點是和unicode一一對應，缺點是太浪費空間，

比較

下面將選取字母、漢字、表情字符，進行編碼對比查看：

// 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是變長1-4個位元組，碼元為8位；UTF-16是2或4位元組，碼元是16位，
這里記住UTF-16的碼元，對于我們理解下面的問題，比較有幫助，

前端開發中的編碼

前面已提到過，javascript中的字串是基于UTF-16編碼的，所以在計算字串長度時，我們需要先理解UTF-16編碼，
下面看下處理字串時可能會遇到的問題，

字串長度計算

字串的length屬性，實際上是使用UTF-16的碼元個數來進行計算的：

• ASCII碼和大部分中文，都是一個碼元
• 而表情字符和其他特殊字符都是兩個碼元

所以當某個字符中存在2個碼元時，就算顯示的是一個字符，length卻等于2，

'a'.length // 1
'好'.length // 1，多數漢字都是基本字符平面，只有一個碼元，長度就為1，
'??'.length // 2

組合字符的長度

還有一種特殊的，組合字符，一般指一些帶標點符號的字符：e?，

'e?'.length // 2
'e\u0301'.length // 2

// 獲取碼點時，忽略了標點符號，顯示的是字母的碼點
'e?'.codePointAt() // 101
'e'.codePointAt() // 101

如要正常操作組合字符，使用normalize()，

'e?'.normalize().length = 1，

多碼元字符操作

對于多碼元字符使用下標取值時，得到的將是它的碼元：

'??'[0] // '\uD83D'
'??'[1] // '\uDE04'
'123'[0] // '1'

回圈時，使用 for 會亂碼，而 for-of 則正常：

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

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

但，可以使用轉換成擴展陣列的方式訪問：

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

還可以使用碼點的方式：

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

對于這種特殊字符，使用下面的字串方法都會分割碼元：
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']

正則中的 u 修飾符

ES6在正則中添加了u修飾符，用來正確處理大于\uFFFF的 Unicode 字符，
也就是能夠正確處理四個位元組的 UTF-16 編碼，

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

但對組合字符，u修飾符不起作用：

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

轉義字符

我們還需要注意的，是轉義字符的計算，結果會以實際字符為準：

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

讀取操作時，也能正常處理：

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

常用API

前端在對Unicode編碼處理時，提供了一些可以使用的API，在實際作業中，會方便我們處理這方面的問題，

處理碼點和字符

• charAt(index)
  從一個字串中回傳指定的字符，對于多碼元字符，仍會回傳碼元字符：

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

• charCodeAt(index)
  回傳0到65535之間的整數碼點值，對于多碼元如果字符的碼點大于U+FFFF，則回傳第一個碼元值，還可以加索引引數取后面碼元的值，
• codePointAt(pos)
  回傳Unicode碼點，多碼元也能回傳完整的碼點值，codePointAt可以傳入索引引數，對多碼元字符取第二個碼元值，

// 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]])
  回傳由指定的UTF-16碼點序列創建的字串，引數范圍0到65535，大于65535的資料將被截斷，結果不準確，
  對于多碼元字符，則會將兩個碼元組合得到該字符，
• String.fromCodePoint(num1[, ...[, numN]])
  回傳使用指定的代碼點序列創建的字串，可以處理多碼元字符的完整碼點值，

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

TextEncoder

TextEncoder，使用 UTF-8 編碼將代碼點流轉換成位元組流，
TextDecoder：解碼，
默認編碼方式就是UTF-8，可以解決字符轉UTF-8編碼的問題，

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()

對于語調符號和重音符號，Unicode提供了兩種方法，一種是直接提供帶符號的字符，如 é (碼點233)；另一種是組合字符，如上文提到的 e? (碼點101)，
針對這種碼點不同，但實質一樣的字符，Javascript識別不了：

'é' === 'e?' // false

而 normalize() 方法的引入，正是為了解決這一問題，它會按照一定的方式將字符的不同表示方法統一為標準形式：

'é' === 'e?'.normalize() // true

URL的UTF8編解碼

另外，在前端常接觸的網頁中，URL鏈接編碼也是非常常見的，諸如：'http%3A%2F%2Fbaidu.com%2F%E4%B8%AD%E5%9B%BD'，這里面涉及到的就是關于UTF-8的編碼，
而JavaScript提供了四個URL的編碼/解碼方法，可以用于將非ASCII碼的字符，如中文字符、特殊字符、表情字符等，進行UTF-8的編解碼操作：

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

他們的短處也很明顯，對ASCII字符如英文數字等字符無法處理，
這里的轉換方式：先轉為UTF-8的位元組碼，然后前面加個 % 進行拼接得到編碼結果，

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

encodeURI和encodeURIComponent的區別

這兩者的不同之處，在于對部分URL元字符符號的處理上，

URL元字符：分號（;），逗號（’,’），斜杠（/），問號（?），冒號（:），at（@），&，等號（=），加號（+），美元符號（$），井號（#），

encodeURIComponent會對這些URL元字符進行編碼，但是encodeURI則不會：

encodeURIComponent(';,/@&=') // '%3B%2C%2F%40%26%3D'
encodeURI(';,/@&=') // ';,/@&='

標籤：JavaScript

上一篇：mask-image實作聚光燈效果

下一篇：git-github遠程倉庫以及git的進階使用