電子發燒友App
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別是所包含的字符數量的不同。
字符編碼則代表字符集的實際編碼規則，是用于計算機解析字符的，如 GB2312，GBK，UTF-8 等。字符編碼的本質就是如何使用二進制字節來表示字符的問題。
字符集和編碼是一對多的關系，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，這也是為什么會碰到api接口返回字符串在前端出現亂碼，因為多數服務都使用utf-8編碼，前后編碼方式不一致。
說起字符集的發展歷程，可以總結為一句話：幾乎都是對ASCII字符集的擴展。
ASCII
我們知道，計算機是使用二進制來處理信息的。
其中，每一個二進制位(bit)有 0和1 兩種狀態。一個字節(byte)則有8個二進制位，可以有256種狀態。
而ASCII就是基于拉丁字母、主要用于顯示英文的一種單字節字符集，它的編碼和字符是一一對應的，因為它就是使用一個字節8個二進制位來表示，不會超過256個字符。
標準的ASCII字符總計有128個字符(2^7)，其中前面32個控制字符，后面96個是可打印字符，包括常用的大小寫字母數字標點符號等。因為只占用了一個字節的后7位，那字節的最高位一般設置為0。
?
'a'.charCodeAt() // 97 'A'.charCodeAt() // 65 '9'.charCodeAt() // 57 '.'.charCodeAt() // 46? ????如上，每個字符會對應一個編碼(使用數字標識)，總共會從0-128。完整的ASCII碼表，網上很容易找到。 ????通過ASCII碼表，我們發現，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?
?
字符集的發展歷史
ASCII是幾乎所有字符集的基礎。
標準的ASCII碼最多只能標識128個字符，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。
這個時候，最高位就開始被惦記上，通過擴展ASCII碼的最高位，又能滿足用于特殊符號的一些國家的需求，這種就是擴展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，就又進行了擴展，小于127的字符的意義與標準ASCII碼相同，當需要標識漢字時，使用2個字節，每個字節都大于127。 這種多字節字符集即GB2312，后續因為不斷的擴展，如繁體字和各種符號，甚至少數民族的語言符號等等，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的基礎上進行的。
各字符集雖然都能夠兼容標準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的問題，Unicode字符集就誕生了。
統一碼
Unicode是國際組織制定的，用于收納世界上所有文字和符號的字符集方案。
前128個字符同ASCII一樣，進行擴充后，使用數字0-0x10FFFF來映射這些字符，最多可以有1114112個字符。 目前仍然只使用了其中的一小部分。
Unicode一般使用兩個字節來表示一個字符。
碼點
???
Unicode 規定了每個字符的數字編號，這個編號被稱為 碼點(code point)。碼點以 U+hex 的形式表示，U+是代表Unicode的前綴，而 hex 是一個16進制數。取值范圍是從 U+0000 到 U+10FFFF。
??
??每個碼點對應一個字符，絕大部分的常見字符在最前面的 65536 個字符，范圍是 U+0000到U+FFFF。 ??
??一般漢字的碼點區間為 U+2E80 - U+9FFF。
字符平面
??目前的Unicode分成了17個編組，也稱平面，每個平面有65536個碼點。第一個平面是基本多語言平面，范圍：U+0000 - U+FFFF，多數常見字符都在該區間。其他平面則為輔助平面，范圍：U+10000 到 U+10FFFF，如我們在網上常見 Emoji 表情。
碼元
????碼元(Code Unit)可以理解為對碼點進行編碼時的最小基本單元，碼元是一個整體。而字符編碼的作用就是將Unicode碼點轉換成碼元序列。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位的單字節碼元，UTF-16是16位的雙字節碼元，UTF-32是32位的四字節碼元。
????另外，為什么總看到使用十六進制數據來表示如碼點等各種數據呢？
因為，兩位的十六進制正好等于一個字節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 個字節來編碼字符。
是互聯網時代應用最廣的一種編碼方式，前端接觸的相對最多。 ??
??需要注意的是：漢字一般占3個字節，表情符號一般占4個字節。 ???
?UTF-8的編碼規則：
1個字節的字符，第一位為0，后7位為碼點，與ASCII相同。
n個字節的字符，第一個字節前面 n 位都是1，n+1位是0，可據此判斷有幾個字節。后面的幾個字節都是 10?為開頭2位。
這里規定的都是前綴，對于字符的碼點，需要進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。格式如表：
???
?通過上表的編碼規則，我們就可以進行各種轉換了。
下面我們以一個中文字符的編碼轉換為例，如漢字 '好'： ???
?'好'的Unicode碼點：'好'.codePointAt() \ 22909，結果是22909；
???
?22909在UTF-8的3字節數的編碼區間 U+0800 (2048) ~ U+FFFF (65535)；
??
??22909的二進制值：101100101111101，有15位；
???
?而3字節數的編碼需要16位，前面補0，根據表中規則分成3組：0101 100101 111101；
??
??依次填入對應的前綴：11100101 10100101 10111101，得到3個字節；
?
???將得到的三個字節轉成十六進制數據：E5 A5 BD，所以漢字 '好' 的UTF-8就是：E5 A5 BD。 ???
?我們使用 encodeURI 進行驗證————encodeURI函數支持將中文進行 UTF-8 編碼：
encodeURI('好') // '%E5%A5%BD'
????去除百分號，結果正好一致。
?
UTF-16
???
?UTF-16的編碼方式：基本平面的字符占用 2 個字節（U+0000到U+FFFF），輔助平面的字符占用 4 個字節（U+010000到U+10FFFF）。
也就是說，UTF-16的編碼長度要么是2個字節要么是4個字節。當為2字節時，則實際上與Unicode相同。 ??
??并且還有個原則，在Unicode基本多語言平面內，從U+D800到U+DFFF之間的碼點區間是不對應字符的。而UTF-16需要利用這塊碼位來對輔助平面的字符進行編碼。
它的具體規則：
碼點小于U+FFFF，基本字符，不需處理，直接使用，占兩個字節。
否則，拆分成兩個碼元，四個字節，cp表示碼點：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：
漢字 '好'，'好'.codePointAt() // 22909，碼點小于U+FFFF，直接進行十六進制轉換：579D。表情符號 ''，''.codePointAt() // 128516，碼點需要拆分：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 方法進行驗證：
String.fromCharCode(0xD83D, 0xDE04) // ''?
???需要明確的一點，Javascript中的字符串是基于UTF-16編碼的，大端序字節。 ???
?UTF-32是定長的編碼，每個碼位使用四個字節進行編碼。優點是和unicode一一對應，缺點是太浪費空間。
?
比較
?
???下面將選取字母、漢字、表情字符，進行編碼對比查看：
// 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個字節，碼元為8位； ??
??UTF-16是2或4字節，碼元是16位。 ???
?這里記住UTF-16的碼元，對于我們理解下面的問題，比較有幫助。
?
前端開發中的編碼
????前面已提到過，javascript中的字符串是基于UTF-16編碼的，所以在計算字符串長度時，我們需要先理解UTF-16編碼。 ??
??下面看下處理字符串時可能會遇到的問題。
1 字符串長度計算
?
???字符串的length屬性，實際上是使用UTF-16的碼元個數來進行計算的：
ASCII碼和大部分中文，都是一個碼元
而表情字符和其他特殊字符都是兩個碼元
????
所以當某個字符中存在2個碼元時，就算顯示的是一個字符，length卻等于2。
'a'.length // 1 '好'.length // 1，多數漢字都是基本字符平面，只有一個碼元，長度就為1。 ''.length // 2
2 組合字符的長度 ?
???還有一種特殊的，組合字符，一般指一些帶標點符號的字符：e?。
'e?'.length // 2 'eu0301'.length // 2 // 獲取碼點時，忽略了標點符號，顯示的是字母的碼點 'e?'.codePointAt() // 101 'e'.codePointAt() // 101???
?如要正常操作組合字符，使用normalize()。
'e?'.normalize().length = 1。
3 多碼元字符操作 ??
??對于多碼元字符使用下標取值時，得到的將是它的碼元：
''[0] // 'uD83D' ''[1] // 'uDE04' '123'[0] // '1'????循環時，使用 for 會亂碼，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，可以使用轉換成擴展數組的方式訪問：
[...''][0] // ''
Array.from('') // ['']
????還可以使用碼點的方式：
String.fromCodePoint(''.codePointAt()) // ''
????對于這種特殊字符，使用下面的字符串方法都會分割碼元： ???
?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']
4 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字節的 UTF-16 編碼。
/^S$/.test('') // false
/^S$/u.test('') // true
????但對組合字符，u修飾符不起作用：
/^S$/u.test('e?') // false
/^S$/u.test('eu0301') // false
5 轉義字符
? ?我們還需要注意的，是轉義字符的計算，結果會以實際字符為準：
'x3f'.length // 1 '?'.length // 1????讀取操作時，也能正常處理：
'x3f'[0] // '?'
'x3f'.split('') // ['?']
6 常用API ?
???前端在對Unicode編碼處理時，提供了一些可以使用的API，在實際工作中，會方便我們處理這方面的問題。
7 處理碼點和字符
charAt(index)
?
???從一個字符串中返回指定的字符，對于多碼元字符，仍會返回碼元字符：
?
'a'.charAt() // 'a' ''.charAt() // 'uD83D' ''.charAt(1) // 'uDE04'
?
charCodeAt(index)
????返回0到65535之間的整數碼點值。對于多碼元如果字符的碼點大于U+FFFF，則返回第一個碼元值，還可以加索引參數取后面碼元的值。
codePointAt(pos)
????返回Unicode碼點，多碼元也能返回完整的碼點值。codePointAt可以傳入索引參數，對多碼元字符取第二個碼元值。
?
// 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碼點序列創建的字符串。參數范圍0到65535，大于65535的數據將被截斷，結果不準確。對于多碼元字符，則會將兩個碼元組合得到該字符。
String.fromCodePoint(num1[, ...[, numN]])
??
??返回使用指定的代碼點序列創建的字符串。可以處理多碼元字符的完整碼點值。
?
String.fromCharCode(55357, 56836, 123) // '{'
String.fromCodePoint(128516, 123, 8776) // '{≈'
8 TextEncoder ???
?TextEncoder，使用 UTF-8 編碼將代碼點流轉換成字節流。 ????
TextDecoder：解碼。 ??
??默認編碼方式就是UTF-8，可以解決字符轉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()
?對于語調符號和重音符號，Unicode提供了兩種方法，一種是直接提供帶符號的字符，如?é?(碼點233)；另一種是組合字符，如上文提到的 e??(碼點101)。
針對這種碼點不同，但實質一樣的字符，Javascript識別不了：
'é' === 'e?' // false?
???而 normalize() 方法的引入，正是為了解決這一問題。 ??
??
它會按照一定的方式將字符的不同表示方法統一為標準形式：
'é' === 'e?'.normalize() // true
9 URL的UTF8編解碼 ?
???另外，在前端常接觸的網頁中，URL鏈接編碼也是非常常見的。 ?
?
?諸如：'http%3A%2F%2Fbaidu.com%2F%E4%B8%AD%E5%9B%BD'。 ??
??這里面涉及到的就是關于UTF-8的編碼。 ??
?
?而JavaScript提供了四個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，進行UTF-8的編解碼操作：
encodeURI() 和 encodeURIComponent()
decodeURI() 和 decodeURIComponent()? ?
?他們的短處也很明顯，對ASCII字符如英文數字等字符無法處理。 ??
??這里的轉換方式：先轉為UTF-8的字節碼，然后前面加個?%?進行拼接得到編碼結果。
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的區別
?這兩者的不同之處，在于對部分URL元字符符號的處理上。
URL元字符：分號（;），逗號（’,’），斜杠（/），問號（?），冒號（:），at（@），&，等號（=），加號（+），美元符號（$），井號（#）。 ???
?encodeURIComponent會對這些URL元字符進行編碼，但是encodeURI則不會：
encodeURIComponent(';,/@&=') // '%3B%2C%2F%40%26%3D'
encodeURI(';,/@&=') // ';,/@&='
?
審核編輯：湯梓紅
工商網監
評論