前端开发中需要搞懂的字符编码知识
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。
创新互联公司自2013年起,是专业互联网技术服务公司,拥有项目做网站、成都网站制作网站策划,项目实施与项目整合能力。我们以让每一个梦想脱颖而出为使命,1280元遂溪做网站,已为上家服务,为遂溪各地企业和个人服务,联系电话:13518219792
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 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+ 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 = 0b。
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+~U+10FFFF | ××× 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() \\
,结果是;
在UTF-8的3字节数的编码区间 U+0800 (2048) ~ U+FFFF ();
的二进制值:,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 ;
依次填入对应的前缀: ,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+0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 - ) / 1024) + 0xD800,值范围是 0xD800~0xDBFF;
- 高位——((cp- )%1024) + 0xDC00,值范围是 0xDC00~0xDFFF。
看下面的示例:
- 汉字 '好',
'好'.codePointAt() //
,码点小于U+FFFF,直接进行十六进制转换:579D。- 表情符号 '????',
'????'.codePointAt() //
,码点需要拆分:
- 低位:
Math.floor((( - ) / 1024)) + 0xD800 //
, 得到 D83D- 高位:
((- )%1024) + 0xDC00 //
,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': - (0xE5 0xA5 0xBD)
'????': - (0xF0 0x9F 0x98 0x84)
// UTF-16
'a': 97 - 0x0061
'好': - 0x597d
'????': - (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'
'????'[1] // '\uDE04'
'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,仍会返回码元字符:
'a'.charAt() // 'a'
'????'.charAt() // '\uD83D'
'????'.charAt(1) // '\uDE04'
- charCodeAt(index)
返回0到之间的整数码点值。对于多码元如果字符的码点大于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() //
'好'.charCodeAt() //
// 大于 U+FFFF
'????'.charCodeAt() //
'????'.charCodeAt(1) //
'????'.codePointAt() //
'????'.codePointAt(1) //
- 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,大于的数据将被截断,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(, , 123) // '????{'
String.fromCodePoint(, 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%3A%2F%2Fbaidu.com%2F%E4%B8%AD%E5%9B%BD'
。这里面涉及到的就是关于UTF-8的编码。
而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 encodeURIComponent()
- decodeURI() 和 decodeURIComponent()
他们的短处也很明显,对ASCII字符如英文数字等字符无法处理。
这里的转换方式:先转为UTF-8的字节码,然后前面加个 %
进行拼接得到编码结果。
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(';,/@&=') // ';,/@&='
当前题目:前端开发中需要搞懂的字符编码知识
文章出自:http://scyanting.com/article/dsojpgs.html