当前速递!编程中用到的字符编码知识点

2023-05-30 10:07:04 来源:STM32嵌入式开发

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。


(资料图)

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

标签:

上一篇:常用变频器接线端子集锦及接线示意图
下一篇:最后一页