字符编码的那些事

前言

之前看到ES6中对String扩展了不少新特性,字符串操作更加友好,比如"\u{1f914}",codePointAt(),String.fromCodePoint()。其中涉及到不少字符编码的知识,为了更好理解这些新特性,本文对字符编码相关知识做一个较全面的梳理和总结。

以下内容包括:字符集和字符编码的关系以及编码规则,JS的字符编码,HTML的转义序列。

首先,在前言里面回顾一下位与字节(小b和大B)的最最基础知识。

  • 1bit = 1个二进制位 = 0 或 1
  • 8bit = 8个0或1(2^8=256个组合)= 1字节Byte

值得一提,在计算带宽大小(bps)的时候要注意是以bit作为单位。

一、字符集与字符编码

Unicode、ASCII、GB2312、GBK、BIG5都属于是字符集(character set),每个字符集包含的字符种类和数量都不一样,每个字符有各自的编号作为唯一标识。

那么它们是通过什么方式进行编号(以下都称为码点)的呢?不同的字符集有不同的方案,对于ASCII、GB2312、GBK、BIG5来说,实行“垄断”政策,即只允许使用它规定的编码方案,也可以认为它即是字符集也是字符编码。而Unicode实行“百家争鸣”政策,提供了UTF-8/UTF-16/UTF-32几种备选的字符编码方案,所以这时Unicode仅仅是字符集,UTF-X才是字符编码

各个字符集的具体编码方案可以看这里

正因为这个原因,经常会听到说ASCII编码、GB2312编码,甚至Unicode编码,这种叫法很容易混淆字符集和字符编码的关系。

弄清楚字符集与字符编码的关系之后,我们可以知道如果某个字符想从UTF-8编码转成GBK编码的话,那就必须先将其unicode码点换算成GBK码点,再进行GBK编码。

下面我们主要看看ASCII和Unicode这两种字符集(编码)。

二、ASCII字符集及编码

ASCII是最古老原始的字符集和编码,主要是满足英语字符的需要,毕竟计算机是从人家老美那诞生的。

每个字符用一个字节(8bit)来储存,一共定义了128个字符,前32个字符是非打印控制字符(回车换行等)。虽然一个字节最多可以定义256种字符,但是ASCII只用了1个字节的后面7位,最前面统一都为0。

  • 空格"SPACE"码点:十进制32,十六进制20,二进制00100000
  • 大写的字母A码点:十进制65,十六进制41,二进制01000001

Extended ASCII

ASCII只有128个字符,其他语言不够用了,怎么办?

别忘了ASCII只用了后面7位,利用空闲的最高位,这样可以扩容到256个字符,成为扩展ASCII码(EASCII)。所以0-127码点表示的字符是一样的,不一样的只是128-255码段。

由于只能多扩容128个字符,而各国语言中的字符又各不相同,为了满足不同地区的更多字符的需求,所以扩容字符的含义不可能都一样。这里就会出现如ASCII码表“阿拉伯字符(ASMO-708)码”扩展ASCII,“泰语(Windows)码”扩展ASCII。

而对于中文而言,1个字节256个字符显然不够,因此中文只能单独制定如GB2312、GBK、GB18030、BIG5字符集了。关于GBXXX编码可以看这里

ASCII码表

看到这里,有种贵圈真乱的感觉,各国都自行一套字符集及编码,这就不利于沟通交流阿。直到Unicode出现。

三、Unicode

Unicode解决了各国自行一套的问题,将世界上所有的符号都纳入其中。它符提供了唯一码点,不论是什么平台、不论是什么程序、不论是什么语言。

  • 码点code point范围从 0x0 - 0x10FFFF,共分为17个Plane,每个Plane中有65536个字符,共可容纳:17*(16*16*16*16)= 1114112个字符。
  • 第一个平面称为基本多语言平面(Basic Multilingual Plane, BMP)。其他平面称为辅助平面(Supplementary Planes, SP),或astral Plane。
  • <u>BMP内,从U+D800到U+DFFF之间的码位区块是永久保留不映射到Unicode字符</u>。后面介绍的UTF-16就利用保留下来的0xD800-0xDFFF区段的码位来对辅助平面的字符的码位进行编码。

前面说到Unicode只是字符集,具体码点怎么储存,可选择UTF-8、UTF-16或者UTF-32编码方式。

这里插播一个名词:code units 码元 码元是各编码方式的基本单位,长度单位是bit。一个码点有可能只需要一个码元,也有可能需要多个码元。 UTF-x等编码方式中的数字其实就规定了此编码方式下的码元长度。如UTF-8的码元长度为8bit....... 当一个码点太大,一码元长度没法储存时,这时就需要其分解成两个或以上码元来储存。 如0x10437码点UTF-16会分解成D801 DC37两个码元(每个码元16bit),UTF-8会分解成f0 90 90 b7四个码元(每个码元8bit) 中日韩汉字unicode编码表 Unicode code converter

1. UTF-8

  1. 是在互联网上使用最广的一种Unicode的实现方式,
  2. 是一种变长的编码方式。可以使用1~4个字节存储一个字符,根据不同的符号而变化字节长度。

UTF-8的编码规则

Unicode码点范围

UTF-8编码方式(二进制)

UTF-8编码所需大小

规则

备注

U+0000 0000 - U+0000 007F

0xxxxxxx

1byte

字节的第一位设为0;后面7位为这个符号的unicode码。

英语字母,UTF-8编码和ASCII码是相同的

U+0000 0080 - U+0000 07FF

110xxxxx 10xxxxxx

2byte

第一个字节前两位是1,第三位是0;后面字节的前两位一律设为10

U+0000 0800 - U+0000 FFFF

1110xxxx 10xxxxxx 10xxxxxx

3byte

第一个字节前三位是1,第四位是0;后面字节的前两位一律设为10

汉字(U+4E00 - U+9FA5)在UTF-8里的编码都是 3 个字节

U+0001 0000 - U+0010 FFFF

11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

4byte

第一个字节前四位是1,第五位是0;后面字节的前两位一律设为10

UTF8编码例子

2. UTF-16

2个或4个字节存储一个字符

  • 2字节:从0x0 - 0xFFFF的码段(BMP),编码后的数值和unicode对应的码点一致
  • 4字节(两个双字节):从0x10000 - 0x10FFFF的码点(SP,已经超过了BMP平面),会根据规则,编码成一对16bit长的码元:如0x10437码点会编码成D801 DC37,它们叫做代理对(surrogate pair)

4字节代理对的原理

从上面D801 DC37的例子可以发现,这两个码点都落在了BMP平面的码点范围之内,<u>并且都属于U+D800到U+DFFF码段</u>。没错,就是通过一系列规则,把超出BMP平面的码点(U+10437)转换成两个属于BMP平面的码点——U+D800到U+DFFF码段之间(U+D801和U+DC37)。

大致解说
  1. SP平面中的码点范围是从U+10000到U+10FFFF,共计FFFFF个,即2^20=1,048,576个,需要20位来表示。
  2. 如果用两个双字节长的码点组成的序列来表示,第一个码点(称为高位代理)要容纳上述20位的前10位,第二个码点(称为低位代理)容纳上述20位的后10位。前后分别需要2^10=1024个码点来代理。而BMP平面的U+D800到U+DFFF码段正好有2048个码点,足以满足高位代理与低位代理的需要。
  3. 因此需要将U+D800 - U+DFFF分为两段
  4. 一段为高位代理初始值U+D800:U+D800 到 U+DBFF 之间的保留码点用于高位代理(leading surrogates)
  5. 一段为低位代理初始值U+DC00:U+DC00 到 U+DFFF 之间的保留码点则用于低位代理(trailing surrogates)
  6. 两段之间间隔2^10=1024,刚好各自能够满足前后10位
例如U+10437编码(?)
  • 0x10437<u>减去0x10000</u>,结果为0x00437,二进制为0000 0000 0100 0011 0111
  • 分区它的上10位值和下10位值(使用二进制):0000000001 and 0000110111
  • 添加0xD800到上值,以形成高位:0xD800 + 0x0001 = 0xD801。
  • 添加0xDC00到下值,以形成低位:0xDC00 + 0x0037 = 0xDC37。
  • 得出它的UTF-16编码为D801 DC37
js实现
function findSurrogatesPair(codePoint) {
	var offset = codePoint - 0x10000;
	var lead = 0xd800 + (offset >> 10);
	var tail = 0xdc00 + (offset & 0x3ff); // 和1023 位与 把前十位都置为0

	return [lead.toString(16) + tail.toString(16)];
}

// example
var str = "?";
var cp = str.codePointAt(0);
utf16Encode(cp); // return ["d83e", "dd14"]
console.log('\ud83e\udd14'); // ?

UTF-16是UCS-2的父集

在没有辅助平面字符前,UTF-16与UCS-2所指的是同一的意思。但当引入辅助平面字符后,就称为UTF-16了。也就是说,UCS-2编码不能支持在UTF-16中超过2字节的字集。

四、JS字符编码

阮老师的ES6教程字符串的扩展里面的第一小节字符的unicode表示法中提到:

...... 有了这种表示法之后,JavaScript 共有6种方法可以表示一个字符。 '\z' === 'z' // true '\172' === 'z' // true '\x7A' === 'z' // true '\u007A' === 'z' // true '\u{7A}' === 'z' // true

这里面的\u007A看起来JS好像是UTF-16编码,但是平时加载一个JS时指定的charset又好像是UTF-8或者GBK?那JS到底是以什么来编码的?

这个问题我一直都有点懵逼,但实际上对于JS的编码问题应该分成两个不同的部分看待:

  1. 内部:JS引擎是如何解析的?
  2. 外部:浏览器是以什么编码来解析JS脚本的?

1. 内部:JS引擎解析源码

引擎会把所有源码当做是一连串的UTF16码元,也就是内部是以UTF-16进行编码的。

var f\u006F\u006F = 123;
console.log(foo); // 123
console.log(\u0066\u006F\u006F); // 123
var foo = '12\u0033'; // 123

// 中文
var 腾 = '123';
console.log(\u817e); // 123

// 4字节字符
var bar = '?';
console.log('\uD842\uDFB7'); // '?'

上面的例子可以看到,无论是字符串还是变量,无论是BMP还是SP上的字符,都可以使用UTF-16码元来表示。

那ES6中的大括号表示法呢?看起来并不需要UTF-16编码,直接用大括号包裹码点就好了。

'\u{20BB7}' === '\uD842\uDFB7' // 竟然全等

但实际上只是语法糖,而这个语法糖很赞,ES6内部对大括号内的码点进行了UTF-16编码,不需要自己换算成代理对。

此外,上面还有三种表示法看起来怪怪的

'\z' === 'z'  // true
'\172' === 'z' // true 八进制
'\x7A' === 'z' // true 十六进制
  1. \z实际上是用于转义特殊字符,如\r \n \t \" \'等,而\z这种非特殊含义字符则等于它本身
  2. 八进制表示法,反斜杠后的取值范围是0-377(十进制的0-255),官方说法是用来表示Latin-1编码字符
  3. 十六进制表示法,取值范围是00-FF,和上面的八进制表示目的是一样的

迷之String.prototype.length

其实了解了上面的知识以后,对于字符串的length就不难理解了。

对于JS引擎来说,所有的字符串都是一系列的UTF-16码元,length指的是码元的个数(也可以理解为两个字节等于1个length),而不是字符个数。当某个字符是4个字节的UTF-16编码时,这时一个字符的length就为2。但是中文的length却始终为1,这是因为中文的码点范围U+4E00 - U+9FA5,都在BMP平面内,UTF-16编码只需要2个字节。

来看例子~

// 还是拿这个字
'?' === '\uD842\uDFB7';
'\uD842\uDFB7' === '\u{20BB7}';
var foo = '?';
var bar = '\uD842\uDFB7';
var baz = '\u{20BB7}';
console.log(foo.length, bar.length, baz.length); // 2 2 2

而我们需要获取“正确”的length值该怎么办?

ES6轻松解决:Array.from(str).length

不是ES6也不要灰心,只要识别两个相邻的码元是否形成代理对的关系(原理在上面有讲~),是的话把它们视为一个整体。

function getRealLen(str) {
	var reg = /[\ud800-\udbff][\udc00-\udfff]/g; // /[高位代理][低位代理]/g
	return str.replace(reg, 'i').length;
}

getRealLen('?'); // 1
getRealLen('?????'); // 5

2. 外部:浏览器解析JS脚本

我们可以以不同的编码方式来保存源码,但如果浏览器解码方案和源码保存时的编码方案不同,就会导致乱码。

当浏览器在加载一个<script>时,是通过以下优先级来确定其编码方式:

  1. 如果文件开头有BOM(byte order mark),那么它肯定是UTF编码的其中之一,而又因为不同编码下的BOM不一样,所以可以从BOM来确定编码方式
  2. 通过响应头Content-Type: application/javascript; charset=utf-8
  3. <script>标签中的charset属性
  4. 页面中的<meta charset="UTF-8">

不同编码下的BOM

BOM(U+FEFF)

编码方式

00 00 FE FF

UTF-32, big-endian

FF FE 00 00

UTF-32, little-endian

FE FF

UTF-16, big-endian

FF FE

UTF-16, little-endian

EF BB BF

UTF-8

五、HTML的转义字符

最后来总结一下前端经常能看到如&nbsp;,&#x4e2d;这样的转义字符。它们是HTML、XML等 SGML 类语言的转义序列(escape sequence),浏览器遇到他们会自动渲染成文字。

它一共有三种表达方式:

  1. &#dddd; &#后接十进制数——称之为实体编号
  2. &#xhhhh; &#x后接十六进制数——称之为实体编号
  3. &name; &后接预先定义好的实体名称——称之为实体名称

其中前两种方式的数字取值为目标字符的unicode码点,与文档编码无关。

HTML特殊转义字符列表

字符实体

实体编号

实体名称

中国

&#x4e2d;&#x56fd;&#20013;&#22269;

&

&#38;

&amp;

如何在JS对这些转义字符进行解析?

对于实体编号,可以使用ES6中的String.fromCodePoint(codePoint)

String.fromCodePoint(20013); // 中
String.fromCodePoint(0x4e2d); // 中

或者借助dom

var $dom = $('<div>&#x4e2d;&#x56fd;</div>');
$dom.html(); // 中国

总结

自此,对字符编码有了一个较为全面的了解,这时回过头去看那些String新特性时,更容易理解了,印象深刻了不少。

参考资料

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏对角另一面

lodash源码分析之获取数据类型

所有的悲伤,总会留下一丝欢乐的线索,所有的遗憾,总会留下一处完美的角落,我在冰峰的深海,寻找希望的缺口,却在惊醒时,瞥见绝美的阳光! ——几米 本文为读...

2723
来自专栏ml

CF---(452)A. Eevee

A. Eevee time limit per test 1 second memory limit per test 256 megabytes in...

43011
来自专栏冷冷

【jfinal】扩展JFIANL 支持加载jar包中SQL模板

扩展 ActiveRecordPlugin 支持加载jar包中SQL模板 jfinal3.1 中新增了IStringSource ,这个接口方便大家扩展SQL...

20110
来自专栏Create Sun

python 3.x 与2.x的区别

前言   保持学习的态度,学一门动态语言其实是很早以前的就准备要做的事情,当时还在纠结python与ruby。现在不单单是要学python,还在考虑用它做点什么...

4058
来自专栏xingoo, 一个梦想做发明家的程序员

Oozie分布式工作流——EL表达式

oozie支持使用EL(expression language)表达式。 基本的EL常量 KB MB GB TB PB 基本EL函数 string fir...

2438
来自专栏java、Spring、技术分享

fastjson详解

  fastjson用于将Java Bean序列化为JSON字符串,也可以从JSON字符串反序列化到JavaBean。

5601
来自专栏Python中文社区

深度剖析为什么Python中整型不会溢出

在python2时代,整型有 int 类型和 long 长整型,长整型不存在溢出问题,即可以存放任意大小的整数。在python3后,统一使用了长整型。这也是吸引...

2883
来自专栏全沾开发(huā)

JavaScript异步编程:Generator与Async

1564
来自专栏C语言及其他语言

C语言网Online Judge系统支持语言和编译说明

Online Judge系统支持语言和编译情况: 语言编译器语言版本编译参数Cgcc 4.6.3C99gcc Main.c -o Main -Wall -lm ...

2798
来自专栏chenssy

【死磕Sharding-jdbc】---异常处理

一般项目都会有自己的一套异常处理方式,sharding-jdbc也不以外,sharding-jdbc源码处理异常的方式主要有下面2种方式:

733

扫码关注云+社区