编程中常用的字符编码知识点 编程中常用的字符编码知识点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。UnicodeUnicode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-8UTF-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-16UTF-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，我们看一下处理字符串时可能会遇到的问题。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 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 'e\u0301'.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。 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) } // 但是，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'] 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('e\u0301') // false 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('') // ['?'] 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。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) // '{≈' TextEncoderTextEncoder，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 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' 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(';,/@&=') // ';,/@&='END作者：土豆居士来源：一口Linux版权归原作者所有，如有侵权，请联系删除。