js字符编码笔记
一、 什么是unicode?
ascii码能表示的字符非常有限(128个字符),这对英文来说足够了,但是对法文、中文、土耳奇文等文字则远远不够,于是就产生了新的编码规则-unicode,unicode中的字符,可以表达世界上各种语言的常用文字和符号。
unicode是一种编码规则,它对全球上每种语言的字符指定一个唯一编码,这个编码叫做码点。它将码点进行了分区,每个分区可表示2^16个字符(65536),目前,Unicode的最新版本是7.0版,一共收入了109449个符号。
二、 unicode与utf-8的关系
unicode是编码规则,指定了字符的码点(二进制码)但未指定如何存储,utf-8是unicode编码的实现方法,是一种变长的编码存储方式,字符长度从1个字节到4个字节不等。越是常用的字符,字节越短,最前面的128个字符,只使用1个字节表示,与ASCII码完全相同。
详细的介绍请参考阮一峰老师的文章《Unicode与JavaScript详解》 《字符编码笔记:ASCII,Unicode 和 UTF-8》
三、 js采用哪种编码方式?
js采用Unicode字符集,但是只支持usc-2编码(因为js语言发明的时候utf-16编码方法还没有被发明出来),这种编码方法只支持2个字节,由于JavaScript只能处理UCS-2编码,如果是4个字节的字符,会当作两个双字节的字符处理。JavaScript的字符函数都受到这一点的影响,无法返回正确结果。
为什么usc-c编码方式很少听到呢,因为UTF-16出现后便取代了UCS-2,UCS-2变成了UTF-16的子集。所以,现在只有UTF-16,没有UCS-2。
在utf-16中的前65535个码点,每个码点占用2个字节,65535之后的每个码点占用4个字节。也就是说,UTF-16的编码长度要么是2个字节(U+0000到U+FFFF),要么是4个字节(U+010000到U+10FFFF)
四、 js中unicode编码存在的问题、es6的改进
\uxxxx
形式表示一个字符,其中xxxx
是十六进制的unicode码点,该种表示法只限于码点在\u0000
~\uFFFF
之间的字符,超出这个范围的字符怎么办呢?答案是用双字节来表示"\uD842\uDFB7" // "𠮷"
es6对这种情况进行了改进,只需采用\{xxxx}形式即可
"\u{20BB7}"
// "𠮷"
"\u{41}\u{42}\u{43}"
// "ABC"
let hello = 123;
hell\u{6F} // 123
'\u{1F680}' === '\uD83D\uDE80'
// true
4
个字节储存。对于这种4
个字节的字符,JavaScript 不能正确处理,字符串长度会误判为2
,而且charAt
方法无法读取整个字符,charCodeAt
方法只能分别返回前两个字节和后两个字节的值。- codePointAt():从字符返回对应的码点
- fromCodePoint():从Unicode码点返回对应字符
- at():返回字符串给定位置的字符