目錄

• 字符集和字符編碼
• ASCII
• 字符集的發(fā)展歷史
• Unicode
• UTF-8
• UTF-16
• 比較
• 前端開發(fā)中的編碼
• 字符串長度計算
• 組合字符的長度
• 多碼元字符操作
• 正則中的 u 修飾符
• 轉(zhuǎn)義字符
• 常用API
• 處理碼點和字符
• TextEncoder
• String.prototype.normalize()
• URL的UTF8編解碼

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(qū)別是所包含的字符數(shù)量的不同。

字符編碼則代表字符集的實際編碼規(guī)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(zhì)就是如何使用二進制字節(jié)來表示字符的問題。

字符集和編碼是一對多的關(guān)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(fā)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(xiàn)亂碼，因為多數(shù)后臺服務(wù)都使用utf-8編碼，前后編碼方式不一致。

說起字符集的發(fā)展歷程，可以總結(jié)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(tài)。一個字節(jié)(byte)則有8個二進制位，可以有256種狀態(tài)。

而ASCII就是基于拉丁字母、主要用于顯示英文的一種單字節(jié)字符集，它的編碼和字符是一一對應(yīng)的，因為它就是使用一個字節(jié)8個二進制位來表示，不會超過256個字符。

標(biāo)準(zhǔn)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(shù)字標(biāo)點符號等。因為只占用了一個字節(jié)的后7位，那字節(jié)的最高位一般設(shè)置為0。

"a".charCodeAt() // 97
"A".charCodeAt() // 65
"9".charCodeAt() // 57
".".charCodeAt() // 46

如上，每個字符會對應(yīng)一個編碼(使用數(shù)字標(biāo)識)，總共會從0-128。完整的ASCII碼表，網(wǎng)上很容易找到。

通過ASCII碼表，我們發(fā)現(xiàn)，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(zhuǎn)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(fā)展歷史

ASCII是幾乎所有字符集的基礎(chǔ)。

標(biāo)準(zhǔn)的ASCII碼最多只能標(biāo)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(biāo)準(zhǔn)ASCII碼相同，當(dāng)需要標(biāo)識漢字時，使用2個字節(jié)，每個字節(jié)都大于127。這種多字節(jié)字符集即GB2312，后續(xù)因為不斷的擴展，如繁體字和各種符號，甚至少數(shù)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(chǔ)上進行的。

各字符集雖然都能夠兼容標(biāo)準(zhǔn)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(zhàn)的問題，Unicode字符集就誕生了。

Unicode

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(shù)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(jié)來表示一個字符。

碼點

• Unicode 規(guī)定了每個字符的數(shù)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(shù)。取值范圍是從 U+0000 到 U+10FFFF。
• 每個碼點對應(yīng)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(qū)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(shù)常見字符都在該區(qū)間。
• 其他平面則為輔助平面，范圍：U+10000 到 U+10FFFF，如我們在網(wǎng)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(zhuǎn)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(jié)碼元，UTF-16是16位的雙字節(jié)碼元，UTF-32是32位的四字節(jié)碼元。

編碼方式碼元編碼后字節(jié)數(shù)UTF-88位1-4字節(jié)UTF-1616位2字節(jié)或者4字節(jié)UTF-3232位4字節(jié)

另外，為什么總看到使用十六進制數(shù)據(jù)來表示如碼點等各種數(shù)據(jù)呢？

因為，兩位的十六進制正好等于一個字節(jié)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(jié)來編碼字符。

是互聯(lián)網(wǎng)時代應(yīng)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(jié)，表情符號一般占4個字節(jié)。

UTF-8的編碼規(guī)則：

• 1個字節(jié)的字符，第一位為0，后7位為碼點，與ASCII相同。
• n個字節(jié)的字符，第一個字節(jié)前面 n 位都是1，n+1位是0，可據(jù)此判斷有幾個字節(jié)。后面的幾個字節(jié)都是 10 為開頭2位。

這里規(guī)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。

格式如下表：

字節(jié)數(shù)碼點位數(shù)碼點范圍編碼方式17U+0000~U+007F0×××××××211U+0080~U+07FF110××××× 10××××××316U+0800~U+FFFF1110×××× 10×××××× 10××××××421U+10000~U+10FFFF11110××× 10×××××× 10×××××× 10××××××

通過上表的編碼規(guī)則，我們就可以進行各種轉(zhuǎn)換了。

下面我們以一個中文字符的編碼轉(zhuǎn)換為例，如漢字 '好'：

'好'的Unicode碼點：'好'.codePointAt() \\ 22909，結(jié)果是22909

22909在UTF-8的3字節(jié)數(shù)的編碼區(qū)間 U+0800 (2048) ~ U+FFFF (65535)

22909的二進制值：101100101111101，有15位

而3字節(jié)數(shù)的編碼需要16位，前面補0，根據(jù)表中規(guī)則分成3組：0101 100101 111101

依次填入對應(yīng)的前綴：11100101 10100101 10111101，得到3個字節(jié)

將得到的三個字節(jié)轉(zhuǎn)成十六進制數(shù)據(jù)：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(shù)支持將中文進行 UTF-8 編碼：

encodeURI("好") // "%E5%A5%BD"

去除百分號，結(jié)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(jié)（U+0000到U+FFFF），輔助平面的字符占用 4 個字節(jié)（U+010000到U+10FFFF）。
也就是說，UTF-16的編碼長度要么是2個字節(jié)要么是4個字節(jié)。當(dāng)為2字節(jié)時，則實際上是與Unicode相同。

并且還有個原則，在Unicode基本多語言平面內(nèi)，從U+D800到U+DFFF之間的碼點區(qū)間是不對應(yīng)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(guī)則：

碼點小于U+FFFF，基本字符，不需處理，直接使用，占兩個字節(jié)。

否則，拆分成兩個碼元，四個字節(jié)，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：

1.漢字 '好'，'好'.codePointAt() // 22909，碼點小于U+FFFF，直接進行十六進制轉(zhuǎn)換：579D。

2.表情符號 '