通過javascript進行UTF-8編碼_ZenDei技術網路在線

通過javascript進行UTF 8編碼 javascript的字元集： javascript程式是使用字元集編寫的。是`ASCII Latin 1 ECMAScript3 Unicode2.1 ECMAScript5 Unicode3`及後續版本。所以，我們編寫出來的javascript程式 ...

通過javascript進行UTF-8編碼

javascript的字元集：

javascript程式是使用Unicode字元集編寫的。Unicode是ASCII和Latin-1的超集，並支持地球上幾乎所有的語言。ECMAScript3要求JavaScript必須支持Unicode2.1及後續版本，ECMAScript5則要求支持Unicode3及後續版本。所以，我們編寫出來的javascript程式，都是使用Unicode編碼的。

UTF-8

UTF-8（UTF8-bit Unicode Transformation Format）是一種針對Unicode的可變長度字元編碼，也是一種首碼碼。

它可以用來表示Unicode標準中的任何字元，且其編碼中的第一個位元組仍與ASCII相容，這使得原來處理ASCII字元的軟體無須或只須做少部分修改，即可繼續使用。因此，它逐漸成為電子郵件、網頁及其他存儲或發送文字的應用中，優先採用的編碼。

目前大部分的網站，都是使用的UTF-8編碼。

將javascript生成的Unicode編碼字元串轉為UTF-8編碼的字元串

如標題所說的應用場景十分常見，例如發送一段二進位到伺服器時，伺服器規定該二進位內容的編碼必須為UTF-8。這種情況下，我們必須就要通過程式將javascript的Unicode字元串轉為UTF-8編碼的字元串。

轉換方法

轉換之前我們必須瞭解Unicode的編碼結構是固定的。
不信可以試一試 String 的 charCodeAt 這個方法，看看返回的 charCode 占幾個位元組。

英文占1個字元，漢字占2個字元

然而，UTF-8的編碼結構長度是根據某單個字元的大小來決定長度有多少。
下麵為單個字元的大小占用幾個位元組。單個unicode字元編碼之後的最大長度為6個位元組。

1個位元組：Unicode碼為0 - 127

2個位元組：Unicode碼為128 - 2047

3個位元組：Unicode碼為2048 - 0xFFFF

4個位元組：Unicode碼為65536 - 0x1FFFFF

5個位元組：Unicode碼為0x200000 - 0x3FFFFFF

6個位元組：Unicode碼為0x4000000 - 0x7FFFFFFF

具體請看圖片：
圖片描述

因為英文和英文字元的Unicode碼為0 - 127，所以英文在Unicode和UTF-8中的長度和位元組都是一致的，只占用1個位元組。這也就是為什麼UTF8是Unicode的超集！

現在我們再來討論漢字，因為漢字的unicode碼區間為0x2e80 - 0x9fff, 所以漢字在UTF8中的長度最長為3個位元組。

那麼漢字是如何從Unicode的2個位元組轉換為UTF8的三個位元組的哪？

假設我需要把漢字"中"轉為UTF-8的編碼

1、獲取漢字Unicode值大小

var str = '中';
var charCode = str.charCodeAt(0);
console.log(charCode); // => 20013

2、根據大小判斷UTF8的長度

由上一步我們得到漢字"中"的charCode為20013.然後我們發現20013位於2048 - 0xFFFF這個區間里，所以漢字"中"應該在UTF8中占3個位元組。

3、補碼

既然知道漢字"中"需要占3個位元組，那麼這3個位元組如何得到哪？

這就需要設計到補碼，具體補碼邏輯如下：
圖片描述
好吧，我知道這個圖你們也看不明白，還是我來講吧！

具體的補位碼如下,"x"表示空位，用來補位的。

0xxxxxxx

110xxxxx 10xxxxxx

1110xxxx 10xxxxxx 10xxxxxx

11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

warning:有沒有發現？補位碼第一個位元組前面有幾個1就表示整個UTF-8編碼占多少個位元組！UTF-8解碼為Unicode就是利用的這個特點哦～

我們先舉個簡單的例子。把英文字母"A"轉為UTF8編碼。
1、“A”的charCode為65
2、65位於0-127的區間，所以“A”占一個位元組
3、UTF8中一個位元組的補位為0xxxxxxx，x表示的是空位，是用來補位的。
4、將65轉為二進位得到1000001
5、將1000001按照從前到後的順序，依次補到1xxxxxxx的空位中，得到01000001
6、將11000001轉為字元串，得到"A"
7、最終，"A"為UTF8編碼之後“A”

通過這個小例子，我們是否再次驗證了UTF-8是Unicode的超集！

好了，我們現在再回到漢字"中"上，之前我們已經得到了"中"的charCode為20013，二進位為01001110 00101101。具體如下：

var code = 20013;
code.toString(2); 
// => 100111000101101 等同於 01001110 00101101

然後，我們按照上面“A”補位的方法，來給"中"補位。
將01001110 00101101按照從前到後的順序依此補位到1110xxxx 10xxxxxx 10xxxxxx上.得到11100100 10111000 10101101.

4、得到UTF8編碼的內容

通過上面的步驟，我們得到了"中"的三個UTF8位元組，11100100 10111000 10101101。
我們將每個位元組轉為16進位，得到0xE4 0xB8 0xAD;
那麼這個0xE4 0xB8 0xAD就是我們最終得到的UTF8編碼了。

我們使用nodejs的buffer來驗證一下是否正確。

var buffer = new Buffer('中'); 
console.log(buffer.length); // => 3
console.log(buffer); // => <Buffer e4 b8 ad>
// 最終得到三個位元組 0xe4 0xb8 0xad

因為16進位是不分大小寫的，所以是不是跟我們算出來0xE4 0xB8 0xAD一模一樣。

將上面的編碼邏輯寫到一個函數中。

// 將字元串格式化為UTF8編碼的位元組
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] 
// 前兩位表示後面utf8位元組的長度。因為長度為3，所以前兩個位元組為`0，3`
// 內容為`228, 184, 173`轉成16進位就是`0xE4 0xB8 0xAD`

// 讀取UTF8編碼的位元組，並專為Unicode的字元串
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'

另外一種將中文解析得到UTF8位元組碼的方法

另外一種比較簡單的將中文轉為UTF8位元組碼的方法比較簡單，瀏覽器也提供了一個方法，而且這個方法大家都一直在用，是什麼哪？就是encodeURI。當然，encodeURIComponent也是可以的。
沒錯，就是這個方法。那麼這個方法是怎麼將一個Unicode編碼的中文轉為UTF8的位元組碼嘞？

var str = '中';

var code = encodeURI(str);

console.log(code); // => %E4%B8%AD

有沒有發現得到了一個轉義後的字元串，而且這個字元串中的內容和我之前在上面得到的位元組碼是一樣的～～～。

下麵我們將%E4%B8%AD轉為一個number數組。

var codeList = code.split('%');

codeList = codeList.map(item => parseInt(item,16));

console.log(codeList); // => [228, 184, 173]

如此簡單，有木有～～～

這個簡便方法的原理是什麼？

這裡就涉及到的URI中的querystring編碼的問題了。因為按照規定，URI中的querystring必須按照UTF8的編碼進行傳輸，而JavaScript是Unicode的，所以瀏覽器就給我們提供了一個方法，也就是encodeURI/encodeURIComponent方法。這個方法會講非英文字元(這裡考慮下，為什麼是非英文字元？)先轉為UTF8的位元組碼，然後前面加個%進行拼接，所以我們將漢字"中"轉義下便得到了"%E4%B8%AD".
好吧，原理就這些，沒有其他的了。

不過，這種方法還有個缺點，那就是只會轉義非英文字元，所以當我們需要將英文字元也格式化為UTF8編碼時，這個方法是達不到我們需求的，我們還需要額外的將英文字元也給轉義下。

那我想要解析回來應該怎麼做哪？用decodeURI/decodeURIComponent就可以了。

var codeList = [228, 184, 173];

var code = codeList.map(item => '%'+item.toString(16)).join('');

decodeURI(code); // => 中

好了，到這裡本文也就介紹完UTF8的編碼了。
希望可以幫助大家瞭解到UTF-8編碼的原理。