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(qū)別是所包含的字符數(shù)量的不同。

字符編碼則代表字符集的實(shí)際編碼規(guī)則，是用于計(jì)算機(jī)解析字符的，如 GB2312，GBK，UTF-8 等。字符編碼的本質(zhì)就是如何使用二進(jìn)制字節(jié)來表示字符的問題。

字符集和編碼是一對(duì)多的關(guān)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(fā)中，Javascript程序是使用Unicode字符集，Javascript源碼文本通常是基于UTF-8編碼。
但JS代碼中的字符串類型是UTF-16編碼的，這也是為什么會(huì)碰到api接口返回字符串在前端出現(xiàn)亂碼，因?yàn)槎鄶?shù)后臺(tái)服務(wù)都使用utf-8編碼，前后編碼方式不一致。

說起字符集的發(fā)展歷程，可以總結(jié)為一句話：幾乎都是對(duì)ASCII字符集的擴(kuò)展。

ASCII

我們知道，計(jì)算機(jī)是使用二進(jìn)制來處理信息的。
其中，每一個(gè)二進(jìn)制位(bit)有 0和1 兩種狀態(tài)。一個(gè)字節(jié)(byte)則有8個(gè)二進(jìn)制位，可以有256種狀態(tài)。

而ASCII就是基于拉丁字母、主要用于顯示英文的一種單字節(jié)字符集，它的編碼和字符是一一對(duì)應(yīng)的，因?yàn)樗褪鞘褂靡粋€(gè)字節(jié)8個(gè)二進(jìn)制位來表示，不會(huì)超過256個(gè)字符。

標(biāo)準(zhǔn)的ASCII字符總計(jì)有128個(gè)字符(2^7)，其中前面32個(gè)控制字符，后面96個(gè)是可打印字符，包括常用的大小寫字母數(shù)字標(biāo)點(diǎn)符號(hào)等。因?yàn)橹徽加昧艘粋€(gè)字節(jié)的后7位，那字節(jié)的最高位一般設(shè)置為0。

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

如上，每個(gè)字符會(huì)對(duì)應(yīng)一個(gè)編碼(使用數(shù)字標(biāo)識(shí))，總共會(huì)從0-128。完整的ASCII碼表，網(wǎng)上很容易找到。

通過ASCII碼表，我們發(fā)現(xiàn)，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(zhuǎn)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(fā)展歷史

ASCII是幾乎所有字符集的基礎(chǔ)。

標(biāo)準(zhǔn)的ASCII碼最多只能標(biāo)識(shí)128個(gè)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(gè)時(shí)候，最高位就開始被惦記上，通過擴(kuò)展ASCII碼的最高位，又能滿足用于特殊符號(hào)的一些國家的需求，這種就是擴(kuò)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(jìn)行了擴(kuò)展，小于127的字符的意義與標(biāo)準(zhǔn)ASCII碼相同，當(dāng)需要標(biāo)識(shí)漢字時(shí)，使用2個(gè)字節(jié)，每個(gè)字節(jié)都大于127。這種多字節(jié)字符集即GB2312，后續(xù)因?yàn)椴粩嗟臄U(kuò)展，如繁體字和各種符號(hào)，甚至少數(shù)民族的語言符號(hào)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(chǔ)上進(jìn)行的。

各字符集雖然都能夠兼容標(biāo)準(zhǔn)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(zhàn)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(hào)的字符集方案。

前128個(gè)字符同ASCII一樣，進(jìn)行擴(kuò)充后，使用數(shù)字0-0x10FFFF來映射這些字符，最多可以有1114112個(gè)字符。目前仍然只使用了其中的一小部分。
Unicode一般使用兩個(gè)字節(jié)來表示一個(gè)字符。

碼點(diǎn)

• Unicode 規(guī)定了每個(gè)字符的數(shù)字編號(hào)，這個(gè)編號(hào)被稱為 碼點(diǎn)(code point)。
• 碼點(diǎn)以 U+hex 的形式表示，U+是代表Unicode的前綴，而 hex 是一個(gè)16進(jìn)制數(shù)。取值范圍是從 U+0000 到 U+10FFFF。
• 每個(gè)碼點(diǎn)對(duì)應(yīng)一個(gè)字符，絕大部分的常見字符在最前面的 65536 個(gè)字符，范圍是 U+0000到U+FFFF。
• 一般漢字的碼點(diǎn)區(qū)間為 U+2E80 - U+9FFF。

字符平面

• 目前的Unicode分成了17個(gè)編組，也稱平面，每個(gè)平面有65536個(gè)碼點(diǎn)。
• 第一個(gè)平面是基本多語言平面，范圍：U+0000 - U+FFFF，多數(shù)常見字符都在該區(qū)間。
• 其他平面則為輔助平面，范圍：U+10000 到 U+10FFFF，如我們?cè)诰W(wǎng)上常見 Emoji 表情。

碼元

• 碼元(Code Unit)可以理解為對(duì)碼點(diǎn)進(jìn)行編碼時(shí)的最小基本單元，碼元是一個(gè)整體。而字符編碼的作用就是將Unicode碼點(diǎn)轉(zhuǎn)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位的單字節(jié)碼元，UTF-16是16位的雙字節(jié)碼元，UTF-32是32位的四字節(jié)碼元。

另外，為什么總看到使用十六進(jìn)制數(shù)據(jù)來表示如碼點(diǎn)等各種數(shù)據(jù)呢？

因?yàn)椋瑑晌坏氖M(jìn)制正好等于一個(gè)字節(jié)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(gè)字節(jié)來編碼字符。

是互聯(lián)網(wǎng)時(shí)代應(yīng)用最廣的一種編碼方式，前端接觸的相對(duì)最多。

需要注意的是：漢字一般占3個(gè)字節(jié)，表情符號(hào)一般占4個(gè)字節(jié)。

UTF-8的編碼規(guī)則：

• 1個(gè)字節(jié)的字符，第一位為0，后7位為碼點(diǎn)，與ASCII相同。
• n個(gè)字節(jié)的字符，第一個(gè)字節(jié)前面 n 位都是1，n+1位是0，可據(jù)此判斷有幾個(gè)字節(jié)。后面的幾個(gè)字節(jié)都是 10 為開頭2位。

這里規(guī)定的都是前綴，對(duì)于字符的碼點(diǎn)，需要進(jìn)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。

格式如下表：

通過上表的編碼規(guī)則，我們就可以進(jìn)行各種轉(zhuǎn)換了。

下面我們以一個(gè)中文字符的編碼轉(zhuǎn)換為例，如漢字 '好'：

'好'的Unicode碼點(diǎn)：'好'.codePointAt() \\ 22909，結(jié)果是22909

22909在UTF-8的3字節(jié)數(shù)的編碼區(qū)間 U+0800 (2048) ~ U+FFFF (65535)

22909的二進(jìn)制值：101100101111101，有15位

而3字節(jié)數(shù)的編碼需要16位，前面補(bǔ)0，根據(jù)表中規(guī)則分成3組：0101 100101 111101

依次填入對(duì)應(yīng)的前綴：11100101 10100101 10111101，得到3個(gè)字節(jié)

將得到的三個(gè)字節(jié)轉(zhuǎn)成十六進(jìn)制數(shù)據(jù)：E5 A5 BD，所以漢字 '好' 的UTF-8就是：E5 A5 BD

我們使用 encodeURI 進(jìn)行驗(yàn)證————encodeURI函數(shù)支持將中文進(jìn)行 UTF-8 編碼：

encodeURI('好') // '%E5%A5%BD'

去除百分號(hào)，結(jié)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(gè)字節(jié)（U+0000到U+FFFF），輔助平面的字符占用 4 個(gè)字節(jié)（U+010000到U+10FFFF）。
也就是說，UTF-16的編碼長度要么是2個(gè)字節(jié)要么是4個(gè)字節(jié)。當(dāng)為2字節(jié)時(shí)，則實(shí)際上是與Unicode相同。

并且還有個(gè)原則，在Unicode基本多語言平面內(nèi)，從U+D800到U+DFFF之間的碼點(diǎn)區(qū)間是不對(duì)應(yīng)字符的。而UTF-16需要利用這塊碼位來對(duì)輔助平面的字符進(jìn)行編碼。

它的具體規(guī)則：

碼點(diǎn)小于U+FFFF，基本字符，不需處理，直接使用，占兩個(gè)字節(jié)。

否則，拆分成兩個(gè)碼元，四個(gè)字節(jié)，cp表示碼點(diǎn)：

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

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(diǎn)小于U+FFFF，直接進(jìn)行十六進(jìn)制轉(zhuǎn)換：579D。

2.表情符號(hào) '??'，'??'.codePointAt() // 128516，碼點(diǎn)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 方法進(jìn)行驗(yàn)證：

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

需要明確的一點(diǎn)，Javascript中的字符串是基于UTF-16編碼的，大端序字節(jié)。

UTF-32是定長的編碼，每個(gè)碼位使用四個(gè)字節(jié)進(jìn)行編碼。優(yōu)點(diǎn)是和unicode一一對(duì)應(yīng)，缺點(diǎn)是太浪費(fèi)空間。

比較

下面將選取字母、漢字、表情字符，進(jìn)行編碼對(duì)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(gè)字節(jié)，碼元為8位；UTF-16是2或4字節(jié)，碼元是16位。
這里記住UTF-16的碼元，對(duì)于我們理解下面的問題，比較有幫助。

前端開發(fā)中的編碼

前面已提到過，javascript中的字符串是基于UTF-16編碼的，所以在計(jì)算字符串長度時(shí)，我們需要先理解UTF-16編碼。

下面看下處理字符串時(shí)可能會(huì)遇到的問題。

字符串長度計(jì)算

字符串的length屬性，實(shí)際上是使用UTF-16的碼元個(gè)數(shù)來進(jìn)行計(jì)算的：

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

所以當(dāng)某個(gè)字符中存在2個(gè)碼元時(shí)，就算顯示的是一個(gè)字符，length卻等于2。

'a'.length // 1
'好'.length // 1，多數(shù)漢字都是基本字符平面，只有一個(gè)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(biāo)點(diǎn)符號(hào)的字符：e?。

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

// 獲取碼點(diǎn)時(shí)，忽略了標(biāo)點(diǎn)符號(hào)，顯示的是字母的碼點(diǎn)
'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(duì)于多碼元字符使用下標(biāo)取值時(shí)，得到的將是它的碼元：

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

循環(huán)時(shí)，使用 for 會(huì)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(zhuǎn)換成擴(kuò)展數(shù)組的方式訪問：

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

還可以使用碼點(diǎn)的方式：

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

對(duì)于這種特殊字符，使用下面的字符串方法都會(huì)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(gè)字節(jié)的 UTF-16 編碼。

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

但對(duì)組合字符，u修飾符不起作用：

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

轉(zhuǎn)義字符

我們還需要注意的，是轉(zhuǎn)義字符的計(jì)算，結(jié)果會(huì)以實(shí)際字符為準(zhǔn)：

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

讀取操作時(shí)，也能正常處理：

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

常用API

前端在對(duì)Unicode編碼處理時(shí)，提供了一些可以使用的API，在實(shí)際工作中，會(huì)方便我們處理這方面的問題。

處理碼點(diǎn)和字符

charAt(index)：從一個(gè)字符串中返回指定的字符，對(duì)于多碼元字符，卻會(huì)返回碼元字符：

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

charCodeAt(index)：返回0到65535之間的整數(shù)碼點(diǎn)值。對(duì)于多碼元字符如果碼點(diǎn)大于U+FFFF，則返回第一個(gè)碼元值，還可以加索引參數(shù)取后面碼元的值。

codePointAt(pos)：返回Unicode碼點(diǎn)，多碼元也能返回完整的碼點(diǎn)值。codePointAt可以傳入索引參數(shù)，對(duì)多碼元字符取第二個(gè)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]])：返回由指定的UTF-16碼點(diǎn)序列創(chuàng)建的字符串。參數(shù)范圍0到65535，大于65535的數(shù)據(jù)將被截?cái)?，結(jié)果不準(zhǔn)確。對(duì)于多碼元字符，則會(huì)將兩個(gè)碼元組合得到該字符。

String.fromCodePoint(num1[, ...[, numN]])：返回使用指定的代碼點(diǎn)序列創(chuàng)建的字符串?？梢蕴幚矶啻a元字符的完整碼點(diǎn)值。

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

TextEncoder

TextEncoder，使用 UTF-8 編碼將代碼點(diǎn)流轉(zhuǎn)換成字節(jié)流。

TextDecoder：解碼。

默認(rèn)編碼方式就是UTF-8，可以解決字符轉(zhuǎn)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(duì)于語調(diào)符號(hào)和重音符號(hào)，Unicode提供了兩種方法，一種是直接提供帶符號(hào)的字符，如 é (碼點(diǎn)233)；另一種是組合字符，如上文提到的 e? (碼點(diǎn)101)。
針對(duì)這種碼點(diǎn)不同，但實(shí)質(zhì)一樣的字符，Javascript識(shí)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(huì)按照一定的方式將字符的不同表示方法統(tǒng)一為標(biāo)準(zhǔn)形式：

'é' === 'e?'.normalize() // true

URL的UTF8編解碼

另外，在前端常接觸的網(wǎng)頁中，URL鏈接編碼也是非常常見的。

諸如：'http://baidu.com%2F%E4%B8%AD%E5%9B%BD'。這里面涉及到的就是關(guān)于UTF-8的編碼。

JavaScript提供了四個(gè)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(jìn)行UTF-8的編解碼操作：

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

這里的轉(zhuǎn)換方式：先轉(zhuǎn)為UTF-8的字節(jié)碼，然后在每個(gè)字節(jié)碼前面加個(gè) % 符號(hào)進(jìn)行拼接得到編碼結(jié)果。 它們的短處也很明顯，對(duì)ASCII字符如英文數(shù)字等字符則無法處理。

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的區(qū)別

這兩者的不同之處，在于對(duì)部分URL元字符符號(hào)的處理上。

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

encodeURIComponent會(huì)對(duì)這些URL元字符進(jìn)行編碼，但是encodeURI則不會(huì)：

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

以上就是JavaScript開發(fā)中需要搞懂的字符編碼總結(jié)的詳細(xì)內(nèi)容，更多關(guān)于JavaScript字符編碼的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論