通过javascript进⾏UTF-8编码
通过javascript进⾏UTF-8编码
javascript的字符集：
javascript程序是使⽤Unicode字符集编写的。Unicode是ASCII和Latin-1的超集，并⽀持地球上⼏乎所有的语⾔。ECMAScript3要求JavaScript必须⽀持Unicode2.1及后续版本，ECMAScript5则要求⽀持Unicode3及后续版本。所以，我们编写出来的javascript程序，都是使⽤Unicode编码的。
UTF-8
UTF-8（UTF8-bit Unicode Transformation Format）是⼀种针对Unicode的可变长度字符编码，也是⼀种前缀码。
它可以⽤来表⽰Unicode标准中的任何字符，且其编码中的第⼀个字节仍与ASCII兼容，这使得原来处理ASCII字符的软件⽆须或只须做少部分修改，即可继续使⽤。因此，它逐渐成为电⼦邮件、⽹页及其他存储或发送⽂字的应⽤中，优先采⽤的编码。
⽬前⼤部分的⽹站，都是使⽤的UTF-8编码。
将javascript⽣成的Unicode编码字符串转为UTF-8编码的字符串
如标题所说的应⽤场景⼗分常见，例如发送⼀段⼆进制到服务器时，服务器规定该⼆进制内容的编码必须为UTF-8。这种情况下，我们必须就要通过程序将javascript的Unicode字符串转为UTF-8编码的字符串。
转换⽅法
转换之前我们必须了解Unicode的编码结构是固定的。
不信可以试⼀试 String 的 charCodeAt 这个⽅法，看看返回的 charCode 占⼏个字节。
英⽂占1个字符，汉字占2个字符
然⽽，UTF-8的编码结构长度是根据某单个字符的⼤⼩来决定长度有多少。
下⾯为单个字符的⼤⼩占⽤⼏个字节。单个unicode字符编码之后的最⼤长度为6个字节。
1个字节：Unicode码为0 - 127
2个字节：Unicode码为128 - 2047
3个字节：Unicode码为2048 - 0xFFFF
4个字节：Unicode码为65536 - 0x1FFFFF
5个字节：Unicode码为0x200000 - 0x3FFFFFF
6个字节：Unicode码为0x4000000 - 0x7FFFFFFF
具体请看图⽚：
因为英⽂和英⽂字符的Unicode码为0 - 127，所以英⽂在Unicode和UTF-8中的长度和字节都是⼀致的，只占⽤1个字节。这也就是为什
么UTF8是Unicode的超集！
现在我们再来讨论汉字，因为汉字的unicode码区间为0x2e80 - 0x9fff, 所以汉字在UTF8中的长度最长为3个字节。
那么汉字是如何从Unicode的2个字节转换为UTF8的三个字节的哪？
假设我需要把汉字"中"转为UTF-8的编码
1、获取汉字Unicode值⼤⼩
var str = '中';
var charCode = str.charCodeAt(0);
2、根据⼤⼩判断UTF8的长度
由上⼀步我们得到汉字"中"的charCode为20013.然后我们发现20013位于2048 - 0xFFFF这个区间⾥，
所以汉字"中"应该在UTF8中占3个字节。
3、补码
既然知道汉字"中"需要占3个字节，那么这3个字节如何得到哪？
这就需要设计到补码，具体补码逻辑如下：
unicode编码转换二进制好吧，我知道这个图你们也看不明⽩，还是我来讲吧！
具体的补位码如下,"x"表⽰空位，⽤来补位的。
0xxxxxxx
110xxxxx 10xxxxxx
1110xxxx 10xxxxxx 10xxxxxx
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
warning：有没有发现？补位码第⼀个字节前⾯有⼏个1就表⽰整个UTF-8编码占多少个字节！UTF-8解码为Unicode就是利⽤的这个特点哦～
我们先举个简单的例⼦。把英⽂字母"A"转为UTF8编码。
1、“A”的charCode为65
2、65位于0-127的区间，所以“A”占⼀个字节
3、UTF8中⼀个字节的补位为0xxxxxxx，x表⽰的是空位，是⽤来补位的。
4、将65转为⼆进制得到1000001
5、将1000001按照从前到后的顺序，依次补到0xxxxxxx的空位中，得到01000001
6、将01000001转为字符串，得到"A"
7、最终，"A"为UTF8编码之后“A”
通过这个⼩例⼦，我们是否再次验证了UTF-8是Unicode的超集！
好了，我们现在再回到汉字"中"上，之前我们已经得到了"中"的charCode为20013，⼆进制为01001110 00101101。具体如下：
var code = 20013;
// => 100111000101101 等同于 01001110 00101101
然后，我们按照上⾯“A”补位的⽅法，来给"中"补位。
将01001110 00101101按照从前到后的顺序依此补位到1110xxxx 10xxxxxx 10xxxxxx上.得到11100100 10111000 10101101.
4、得到UTF8编码的内容
通过上⾯的步骤，我们得到了"中"的三个UTF8字节，11100100 10111000 10101101。
我们将每个字节转为16进制，得到0xE4 0xB8 0xAD;
那么这个0xE4 0xB8 0xAD就是我们最终得到的UTF8编码了。
我们使⽤nodejs的buffer来验证⼀下是否正确。
var buffer = new Buffer('中');
console.log(buffer); // => <Buffer e4 b8 ad>
// 最终得到三个字节 0xe4 0xb8 0xad
因为16进制是不分⼤⼩写的，所以是不是跟我们算出来0xE4 0xB8 0xAD⼀模⼀样。
将上⾯的编码逻辑写到⼀个函数中。
// 将字符串格式化为UTF8编码的字节
var writeUTF = function (str, isGetBytes) {
var back = [];
var byteSize = 0;
for (var i = 0; i < str.length; i++) {
var code = str.charCodeAt(i);
if (0x00 <= code && code <= 0x7f) {
byteSize += 1;
back.push(code);
} else if (0x80 <= code && code <= 0x7ff) {
byteSize += 2;
back.push((192 | (31 & (code >> 6))));
back.push((128 | (63 & code)))
} else if ((0x800 <= code && code <= 0xd7ff)
|| (0xe000 <= code && code <= 0xffff)) {
byteSize += 3;
back.push((224 | (15 & (code >> 12))));
back.push((128 | (63 & (code >> 6))));
back.push((128 | (63 & code)))
}
}
for (i = 0; i < back.length; i++) {
back[i] &= 0xff;
}
if (isGetBytes) {
return back
}
if (byteSize <= 0xff) {
return [0, byteSize].concat(back);
} else {
return [byteSize >> 8, byteSize & 0xff].concat(back);
}
}
writeUTF('中'); // => [0, 3, 228, 184, 173]
// 前两位表⽰后⾯utf8字节的长度。因为长度为3，所以前两个字节为`0，3`
// 内容为`228, 184, 173`转成16进制就是`0xE4 0xB8 0xAD`
// 读取UTF8编码的字节，并专为Unicode的字符串
var readUTF = function (arr) {
if (typeof arr === 'string') {
return arr;
}
var UTF = '', _arr = this.init(arr);
for (var i = 0; i < _arr.length; i++) {
var one = _arr[i].toString(2),
v = one.match(/^1+?(?=0)/);
if (v && one.length == 8) {
var bytesLength = v[0].length;
var store = _arr[i].toString(2).slice(7 - bytesLength);
for (var st = 1; st < bytesLength; st++) {
store += _arr[st + i].toString(2).slice(2)
}
UTF += String.fromCharCode(parseInt(store, 2));
i += bytesLength - 1
} else {
UTF += String.fromCharCode(_arr[i])
}
}
return UTF
}
readUTF([0, 3, 228, 184, 173]); => '中'
另外⼀种将中⽂解析得到UTF8字节码的⽅法
另外⼀种⽐较简单的将中⽂转为UTF8字节码的⽅法⽐较简单，浏览器也提供了⼀个⽅法，⽽且这个⽅法⼤家都⼀直在⽤，是什么哪？就是encodeURI。当然，encodeURIComponent也是可以的。
没错，就是这个⽅法。那么这个⽅法是怎么将⼀个Unicode编码的中⽂转为UTF8的字节码嘞？
var str = '中';
var code = encodeURI(str);
console.log(code); // => %E4%B8%AD
有没有发现得到了⼀个转义后的字符串，⽽且这个字符串中的内容和我之前在上⾯得到的字节码是⼀样的～～～。
下⾯我们将%E4%B8%AD转为⼀个number数组。
var codeList = code.split('%');
codeList = codeList.map(item => parseInt(item,16));
console.log(codeList); // => [228, 184, 173]
如此简单，有⽊有～～～
这个简便⽅法的原理是什么？
这⾥就涉及到的URI中的querystring编码的问题了。因为按照规定，URI中的querystring必须按照UTF8的编码进⾏传输，⽽JavaScript是Unicode的，所以浏览器就给我们提供了⼀个⽅法，也就是encodeURI/encodeURIComponent⽅法。这个⽅法会讲⾮英⽂字符(这⾥考虑下，为什么是⾮英⽂字符？
)先转为UTF8的字节码，然后前⾯加个%进⾏拼接，所以我们将汉字"中"转义下便得到了"%E4%B8%AD".
好吧，原理就这些，没有其他的了。
不过，这种⽅法还有个缺点，那就是只会转义⾮英⽂字符，所以当我们需要将英⽂字符也格式化为UTF8编码时，这个⽅法是达不到我们需求的，我们还需要额外的将英⽂字符也给转义下。
那我想要解析回来应该怎么做哪？⽤decodeURI/decodeURIComponent就可以了。
var codeList = [228, 184, 173];
var code = codeList.map(item => '%'+String(16)).join('');
decodeURI(code); // => 中
好了，到这⾥本⽂也就介绍完UTF8的编码了。
希望可以帮助⼤家了解到UTF-8编码的原理。
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论