编程中用到的字符编码知识点

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。

统一码

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。

    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。格式如表：

   

 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：

汉字 '好'，'好'.codePointAt() // 22909，码点小于U+FFFF，直接进行十六进制转换：579D。表情符号 ''，''.codePointAt() // 128516，码点需要拆分：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。

1 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

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
'eu0301'.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。

3 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']

4 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('eu0301') // false

5 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('') // ['?']

6 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。

7 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65535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() // 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) // '{≈'

8 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

9 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'

 

10 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(';,/@&=') // ';,/@&='

 

　　审核编辑：汤梓红