JavaScript开发中需要搞懂的字符编码总结

目录

• 字符集和字符编码
• ASCII
• 字符集的发展历史
• Unicode
• UTF-8
• UTF-16
• 比较
• 前端开发中的编码
• 字符串长度计算
• 组合字符的长度
• 多码元字符操作
• 正则中的 u 修饰符
• 转义字符
• 常用API
• 处理码点和字符
• TextEncoder
• String.prototype.normalize()
• URL的UTF8编解码

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。

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，因为多数后台服务都使用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。

Unicode

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。

编码方式码元编码后字节数UTF-88位1-4字节UTF-1616位2字节或者4字节UTF-3232位4字节

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。

格式如下表：

字节数码点位数码点范围编码方式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，则实际上是与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：

1.汉字 '好'，'好'.codePointAt() // 22909，码点小于U+FFFF，直接进行十六进制转换：579D。

2.表情符号 '