javascript的字符集：

javascript程序是使用Unicode字符集編寫的。Unicode是ASCII和Latin-1的超集，并支持地球上幾乎所有的語言。ECMAScript3要求JavaScript必須支持Unicode2.1及后續(xù)版本，ECMAScript5則要求支持Unicode3及后續(xù)版本。所以，我們編寫出來的

javascript程序，都是使用Unicode編碼的。

UTF-8

UTF-8（UTF8-bit Unicode Transformation Format）是一種針對Unicode的可變長度字符編碼，也是一種前綴碼。

它可以用來表示Unicode標準中的任何字符，且其編碼中的第一個字節(jié)仍與ASCII兼容，這使得原來處理ASCII字符的軟件無須或只須做少部分修改，即可繼續(xù)使用。因此，它逐漸成為電子郵件、網(wǎng)頁及其他存儲或發(fā)送文字的應用中，優(yōu)先采用的編碼。

目前大部分的網(wǎng)站，都是使用的UTF-8編碼。

將javascript生成的Unicode編碼字符串轉(zhuǎn)為UTF-8編碼的字符串

如標題所說的應用場景十分常見，例如發(fā)送一段二進制到服務器時，服務器規(guī)定該二進制內(nèi)容的編碼必須為UTF-8。這種情況下，我們必須就要通過程序?qū)avascript的Unicode字符串轉(zhuǎn)為UTF-8編碼的字符串。

轉(zhuǎn)換方法

轉(zhuǎn)換之前我們必須了解Unicode的編碼結構是固定的。

不信可以試一試 String 的 charCodeAt 這個方法，看看返回的 charCode 占幾個字節(jié)。

•英文占1個字符，漢字占2個字符

然而，UTF-8的編碼結構長度是根據(jù)某單個字符的大小來決定長度有多少。

下面為單個字符的大小占用幾個字節(jié)。單個unicode字符編碼之后的最大長度為6個字節(jié)。

•1個字節(jié)：Unicode碼為0 - 127
•2個字節(jié)：Unicode碼為128 - 2047
•3個字節(jié)：Unicode碼為2048 - 0xFFFF
•4個字節(jié)：Unicode碼為65536 - 0x1FFFFF
•5個字節(jié)：Unicode碼為0x200000 - 0x3FFFFFF
•6個字節(jié)：Unicode碼為0x4000000 - 0x7FFFFFFF

具體請看圖片：

因為英文和英文字符的Unicode碼為0 - 127，所以英文在Unicode和UTF-8中的長度和字節(jié)都是一致的，只占用1個字節(jié)。這也就是為什么UTF8是Unicode的超集！

現(xiàn)在我們再來討論漢字，因為漢字的unicode碼區(qū)間為0x2e80 - 0x9fff, 所以漢字在UTF8中的長度最長為3個字節(jié)。

那么漢字是如何從Unicode的2個字節(jié)轉(zhuǎn)換為UTF8的三個字節(jié)的哪？

假設我需要把漢字"中"轉(zhuǎn)為UTF-8的編碼

1、獲取漢字Unicode值大小

var str = '中';
var charCode = str.charCodeAt(0);
console.log(charCode); // => 20013

2、根據(jù)大小判斷UTF8的長度

由上一步我們得到漢字"中"的charCode為20013.然后我們發(fā)現(xiàn)20013位于2048 - 0xFFFF這個區(qū)間里，所以漢字"中"應該在UTF8中占3個字節(jié)。

3、補碼

既然知道漢字"中"需要占3個字節(jié)，那么這3個字節(jié)如何得到哪？

這就需要設計到補碼，具體補碼邏輯如下：

好吧，我知道這個圖你們也看不明白，還是我來講吧！

具體的補位碼如下,"x"表示空位，用來補位的。

•0xxxxxxx
•110xxxxx 10xxxxxx
•1110xxxx 10xxxxxx 10xxxxxx
•11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
•111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
•1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

warning:有沒有發(fā)現(xiàn)？補位碼第一個字節(jié)前面有幾個1就表示整個UTF-8編碼占多少個字節(jié)！UTF-8解碼為Unicode就是利用的這個特點哦～

我們先舉個簡單的例子。把英文字母"A"轉(zhuǎn)為UTF8編碼。

1、“A”的charCode為65
2、65位于0-127的區(qū)間，所以“A”占一個字節(jié)
3、UTF8中一個字節(jié)的補位為0xxxxxxx，x表示的是空位，是用來補位的。
4、將65轉(zhuǎn)為二進制得到1000001
5、將1000001按照從前到后的順序，依次補到1xxxxxxx的空位中，得到01000001
6、將11000001轉(zhuǎn)為字符串，得到"A"
7、最終，"A"為UTF8編碼之后“A”

通過這個小例子，我們是否再次驗證了UTF-8是Unicode的超集！

好了，我們現(xiàn)在再回到漢字"中"上，之前我們已經(jīng)得到了"中"的charCode為20013，二進制為01001110 00101101。具體如下：

var code = 20013;
code.toString(2); 
// => 100111000101101 等同于 01001110 00101101

然后，我們按照上面“A”補位的方法，來給"中"補位。
將01001110 00101101按照從前到后的順序依此補位到1110xxxx 10xxxxxx 10xxxxxx上.得到11100100 10111000 10101101.

4、得到UTF8編碼的內(nèi)容

通過上面的步驟，我們得到了"中"的三個UTF8字節(jié)，11100100 10111000 10101101。

我們將每個字節(jié)轉(zhuǎn)為16進制，得到0xE4 0xB8 0xAD;
那么這個0xE4 0xB8 0xAD就是我們最終得到的UTF8編碼了。

我們使用nodejs的buffer來驗證一下是否正確。

var buffer = new Buffer('中'); 
console.log(buffer.length); // => 3
console.log(buffer); // => <Buffer e4 b8 ad>
// 最終得到三個字節(jié) 0xe4 0xb8 0xad

因為16進制是不分大小寫的，所以是不是跟我們算出來0xE4 0xB8 0xAD一模一樣。

將上面的編碼邏輯寫到一個函數(shù)中。

// 將字符串格式化為UTF8編碼的字節(jié)
var writeUTF = function (str, isGetBytes) {
   var back = [];
   var byteSize = 0;
   for (var i = 0; i < str.length; i++) {
     var code = str.charCodeAt(i);
     if (0x00 <= code && code <= 0x7f) {
        byteSize += 1;
        back.push(code);
     } else if (0x80 <= code && code <= 0x7ff) {
        byteSize += 2;
        back.push((192 | (31 & (code >> 6))));
        back.push((128 | (63 & code)))
     } else if ((0x800 <= code && code <= 0xd7ff) 
         || (0xe000 <= code && code <= 0xffff)) {
        byteSize += 3;
        back.push((224 | (15 & (code >> 12))));
        back.push((128 | (63 & (code >> 6))));
        back.push((128 | (63 & code)))
     }
    }
    for (i = 0; i < back.length; i++) {
      back[i] &= 0xff;
    }
    if (isGetBytes) {
      return back
    }
    if (byteSize <= 0xff) {
      return [0, byteSize].concat(back);
    } else {
      return [byteSize >> 8, byteSize & 0xff].concat(back);
    }
}

writeUTF('中'); // => [0, 3, 228, 184, 173] 
// 前兩位表示后面utf8字節(jié)的長度。因為長度為3，所以前兩個字節(jié)為`0，3`
// 內(nèi)容為`228, 184, 173`轉(zhuǎn)成16進制就是`0xE4 0xB8 0xAD`

// 讀取UTF8編碼的字節(jié)，并專為Unicode的字符串
var readUTF = function (arr) {
  if (typeof arr === 'string') {
    return arr;
  }
  var UTF = '', _arr = this.init(arr);
  for (var i = 0; i < _arr.length; i++) {
    var one = _arr[i].toString(2),
        v = one.match(/^1+?(?=0)/);
    if (v && one.length == 8) {
      var bytesLength = v[0].length;
      var store = _arr[i].toString(2).slice(7 - bytesLength);
      for (var st = 1; st < bytesLength; st++) {
        store += _arr[st + i].toString(2).slice(2)
      }
      UTF += String.fromCharCode(parseInt(store, 2));
      i += bytesLength - 1
    } else {
      UTF += String.fromCharCode(_arr[i])
    }
  }
  return UTF
}

readUTF([0, 3, 228, 184, 173]); => '中'

另外一種將中文解析得到UTF8字節(jié)碼的方法

另外一種比較簡單的將中文轉(zhuǎn)為UTF8字節(jié)碼的方法比較簡單，瀏覽器也提供了一個方法，而且這個方法大家都一直在用，是什么哪？就是encodeURI。當然，encodeURIComponent也是可以的。

沒錯，就是這個方法。那么這個方法是怎么將一個Unicode編碼的中文轉(zhuǎn)為UTF8的字節(jié)碼嘞？

var str = '中';

var code = encodeURI(str);

console.log(code); // => %E4%B8%AD

有沒有發(fā)現(xiàn)得到了一個轉(zhuǎn)義后的字符串，而且這個字符串中的內(nèi)容和我之前在上面得到的字節(jié)碼是一樣的～～～。

下面我們將%E4%B8%AD轉(zhuǎn)為一個number數(shù)組。

var codeList = code.split('%');

codeList = codeList.map(item => parseInt(item,16));

console.log(codeList); // => [228, 184, 173]

如此簡單，有木有～～～

這個簡便方法的原理是什么？

這里就涉及到的URI中的querystring編碼的問題了。因為按照規(guī)定，URI中的querystring必須按照UTF8的編碼進行傳輸，而JavaScript是Unicode的，所以瀏覽器就給我們提供了一個方法，也就是encodeURI/encodeURIComponent方法。這個方法會講
非英文字符(這里考慮下，為什么是非英文字符？)先轉(zhuǎn)為UTF8的字節(jié)碼，然后前面加個%進行拼接，所以我們將漢字"中"轉(zhuǎn)義下便得到了"%E4%B8%AD".

好吧，原理就這些，沒有其他的了。

不過，這種方法還有個缺點，那就是只會轉(zhuǎn)義非英文字符，所以當我們需要將英文字符也格式化為UTF8編碼時，這個方法是達不到我們需求的，我們還需要額外的將英文字符也給轉(zhuǎn)義下。

那我想要解析回來應該怎么做哪？用decodeURI/decodeURIComponent就可以了。

var codeList = [228, 184, 173];

var code = codeList.map(item => '%'+item.toString(16)).join('');

decodeURI(code); // => 中

好了，到這里本文也就介紹完UTF8的編碼了。
希望可以幫助大家了解到UTF-8編碼的原理。

以上就是小編為大家?guī)淼耐ㄟ^javascript進行UTF-8編碼的實現(xiàn)方法全部內(nèi)容了，希望大家多多支持腳本之家~

最新評論