上个月,我做了一次分享,详细介绍了Unicode字符集,以及JavaScript语言对它的支持。下面就是这次分享的讲稿。
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_sk-5ZBv2DODERXmHEsm5rJiqM_FO3NlIcsMBemFBMT3vsXM8KvXiUzUYBVfGAgPVgstFYZHlh6_r-1Oj5-ikBIrBh65k2pv0ex9imjmCkfgnPbYW36=s0-d)
一、Unicode是什么?
Unicode源于一个很简单的想法:将全世界所有的字符包含在一个集合里,计算机只要支持这一个字符集,就能显示所有的字符,再也不会有乱码了。
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_slxchb9lmt6ZjIU_mYWAZSukTLV4er9pLEBSZVBMVySwlZIXYeSwLQXtoxUdWY4xIOPobUWgzCwm4Qr0HrInugnt8Y23PhxoT5bwbkKA_-F_3Oe3U=s0-d)
它从0开始,为每个符号指定一个编号,这叫做"码点"(code point)。比如,码点0的符号就是null(表示所有二进制位都是0)。
U+0000 = null
上式中,U+表示紧跟在后面的十六进制数是Unicode的码点。
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_uwuN7iJxwZhszbWiuGb6TxiYWywtixhlql-2qqOD23WV80ky8IykhTS28EfTh7nNWSr7ZNxu7Zv615acjWvlPycjU8TcdHBeMdjZzibAXuiRUamcH4=s0-d)
目前,Unicode的最新版本是7.0版,一共收入了109449个符号,其中的中日韩文字为74500个。可以近似认为,全世界现有的符号当中,三分之二以上来自东亚文字。比如,中文"好"的码点是十六进制的597D。
U+597D = 好
这么多符号,Unicode不是一次性定义的,而是分区定义。每个区可以存放65536个(216)字符,称为一个平面(plane)。目前,一共有17个(25)平面,也就是说,整个Unicode字符集的大小现在是221。
最前面的65536个字符位,称为基本平面(缩写BMP),它的码点范围是从0一直到216-1,写成16进制就是从U+0000到U+FFFF。所有最常见的字符都放在这个平面,这是Unicode最先定义和公布的一个平面。
剩下的字符都放在辅助平面(缩写SMP),码点范围从U+010000一直到U+10FFFF。
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_vRTcMHJoOteTQ7LKvwkZgTzekGJtWUDrxRDd1iaUKrBcouT_Ty-DJXSrB_0QehGPAyoy0WFSPAq-_ZkTUMtA-HYrMcb3aJsULWiRTDAlMJewHTbFbH=s0-d)
二、UTF-32与UTF-8
Unicode只规定了每个字符的码点,到底用什么样的字节序表示这个码点,就涉及到编码方法。
最直观的编码方法是,每个码点使用四个字节表示,字节内容一一对应码点。这种编码方法就叫做UTF-32。比如,码点0就用四个字节的0表示,码点597D就在前面加两个字节的0。
U+0000 = 0x0000 0000 U+597D = 0x0000 597D
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_sD_tM-onzOpPTChsdUPnRXytH9L8p9a806ZMMo7UGXHIfUefnR0AmoBmmJe2eKvYlWQMdU2vevEjkWVj2xWF6jXYKQues6__gAMgmfE-1xjL0qQKio=s0-d)
UTF-32的优点在于,转换规则简单直观,查找效率高。缺点在于浪费空间,同样内容的英语文本,它会比ASCII编码大四倍。这个缺点很致命,导致实际上没有人使用这种编码方法,HTML 5标准就明文规定,网页不得编码成UTF-32。
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_sC1egX7l-iBLEDSnsnFY_GW4_MPgj_NeWhaCBqmKabFB8WHhODEz7o8ZfE4cotzCHSfXRLWapXmBMFI5pgqLZStFFNMciC3ggv9d8McebtHBCtbBk=s0-d)
人们真正需要的是一种节省空间的编码方法,这导致了UTF-8的诞生。UTF-8是一种变长的编码方法,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。
编号范围 | 字节 |
0x0000 - 0x007F | 1 |
0x0080 - 0x07FF | 2 |
0x0800 - 0xFFFF | 3 |
0x010000 - 0x10FFFF | 4 |
由于UTF-8这种节省空间的特性,导致它成为互联网上最常见的网页编码。不过,它跟今天的主题关系不大,我就不深入了,具体的转码方法,可以参考我多年前写的《字符编码笔记》。
三、UTF-16简介
UTF-16编码介于UTF-32与UTF-8之间,同时结合了定长和变长两种编码方法的特点。
它的编码规则很简单:基本平面的字符占用2个字节,辅助平面的字符占用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)。
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_uZmUyohPtBXDqZPX9U_tdEqlBpsngNJuWErqnKjJLlLBFCh5ANKbN93yC0MmUOQTdvdKx7tUrYZLUw14c5Jx7h5g7xQVovGhszCSNgQoBX54x8_8JY=s0-d)
于是就有一个问题,当我们遇到两个字节,怎么看出它本身是一个字符,还是需要跟其他两个字节放在一起解读?
说来很巧妙,我也不知道是不是故意的设计,在基本平面内,从U+D800到U+DFFF是一个空段,即这些码点不对应任何字符。因此,这个空段可以用来映射辅助平面的字符。
具体来说,辅助平面的字符位共有220个,也就是说,对应这些字符至少需要20个二进制位。UTF-16将这20位拆成两半,前10位映射在U+D800到U+DBFF(空间大小210),称为高位(H),后10位映射在U+DC00到U+DFFF(空间大小210),称为低位(L)。这意味着,一个辅助平面的字符,被拆成两个基本平面的字符表示。
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_sHIwPsDQ4OHhksHlfpsplDKbIupZotd0jmOpdZtU5BQZor6rfWgJBzm3efRqYOWRs_UJNu9iXcndzI3EeYE-Hp1IUkQnQyCCAWWGDVbnT_ezZpIGU=s0-d)
所以,当我们遇到两个字节,发现它的码点在U+D800到U+DBFF之间,就可以断定,紧跟在后面的两个字节的码点,应该在U+DC00到U+DFFF之间,这四个字节必须放在一起解读。
四、UTF-16的转码公式
Unicode码点转成UTF-16的时候,首先区分这是基本平面字符,还是辅助平面字符。如果是前者,直接将码点转为对应的十六进制形式,长度为两字节。
U+597D = 0x597D
如果是辅助平面字符,Unicode 3.0版给出了转码公式。
H = Math.floor((c-0x10000) / 0x400)+0xD800 L = (c - 0x10000) % 0x400 + 0xDC00
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_tsH6yu97pUj6Uinkf98_Asn9sWijxT8A53Yd0ckUpsF8T3PwCEuyTPD3sGMWx9kPpmSqT-MYsdQ-bEiEbWFzCEpZI_VjqQQWvDzGlr8yEMTN-cHuCA=s0-d)
以字符
为例,它是一个辅助平面字符,码点为U+1D306,将其转为UTF-16的计算过程如下。
H = Math.floor((0x1D306-0x10000)/0x400)+0xD800 = 0xD834 L = (0x1D306-0x10000) % 0x400+0xDC00 = 0xDF06
所以,字符
的UTF-16编码就是0xD834 DF06,长度为四个字节。
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_uX1Y9iYWz8aSDkOTaIKmiUhGHerKpEGcPnqXHeiapQg5hVy-DOiyYdDsS00PWaqLK42_50Au1xPLxQMh3kGO7XPlo20TJhSnpi4wx5PGey2hpD61ny=s0-d)
五、JavaScript使用哪一种编码?
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_sue5dL_EcgN1pAFxvDiuLSysIHDDTJzQZN8e8pNXlXN6CrKRvyml0z-pjDAHw23SkAOR86Eg2AQUeFmhUtW-LAey6Qac2C0bafcQu2J-ZfkoTDN14d=s0-d)
JavaScript语言采用Unicode字符集,但是只支持一种编码方法。
这种编码既不是UTF-16,也不是UTF-8,更不是UTF-32。上面那些编码方法,JavaScript都不用。
JavaScript用的是UCS-2!
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_uLtPAGADVBXM0xm4O2gRAqitUqBO1EZKVDbuyvxgxPr_whzifAv05MrPJYPTz7p4Aat5TmRnFCOfZzENV42Hkk6XYOdTFggGfRbCYxnI1JBf2zSGnS=s0-d)
六、UCS-2编码
怎么突然杀出一个UCS-2?这就需要讲一点历史。
互联网还没出现的年代,曾经有两个团队,不约而同想搞统一字符集。一个是1989年成立的Unicode团队,另一个是更早的、1988年成立的UCS团队。等到他们发现了对方的存在,很快就达成一致:世界上不需要两套统一字符集。
1991年10月,两个团队决定合并字符集。也就是说,从今以后只发布一套字符集,就是Unicode,并且修订此前发布的字符集,UCS的码点将与Unicode完全一致。
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_uFY_eAa6HjyIPhYD-Y9B25szQZxhcNpQ35LBFheuOfOBgNUtxoQhxQlneW7SrRc-061XqJ9ML2ckiYFNYN_dRknkCzVbl225F9M0LlEcrrv5B3XoLm=s0-d)
当时的实际情况是,UCS的开发进度快于Unicode,早在1990年,就公布了第一套编码方法UCS-2,使用2个字节表示已经有码点的字符。(那个时候只有一个平面,就是基本平面,所以2个字节就够用了。)UTF-16编码迟至1996年7月才公布,明确宣布是UCS-2的超集,即基本平面字符沿用UCS-2编码,辅助平面字符定义了4个字节的表示方法。
两者的关系简单说,就是UTF-16取代了UCS-2,或者说UCS-2整合进了UTF-16。所以,现在只有UTF-16,没有UCS-2。
七、JavaScript的诞生背景
那么,为什么JavaScript不选择更高级的UTF-16,而用了已经被淘汰的UCS-2呢?
答案很简单:非不想也,是不能也。因为在JavaScript语言出现的时候,还没有UTF-16编码。
1995年5月,Brendan Eich用了10天设计了JavaScript语言;10月,第一个解释引擎问世;次年11月,Netscape正式向ECMA提交语言标准(整个过程详见《JavaScript诞生记》)。对比UTF-16的发布时间(1996年7月),就会明白Netscape公司那时没有其他选择,只有UCS-2一种编码方法可用!
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_umKmvo58l41gVayRV3zy3EYv7O5-vH8IX75j5suciXYwlhBxJeEbtaupa3RLVkFSJ94d5sE7NYPW34euNMSszZ2M0poT19GEHXVUbmmcjbwjSSiL_Y=s0-d)
八、JavaScript字符函数的局限
由于JavaScript只能处理UCS-2编码,造成所有字符在这门语言中都是2个字节,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。
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_uqjCpdVmmmrgBpr2NILCm8NSWdjydORRzwAv6uPkVXHxtdX8RW0jScyy79YAE6aJpIIQ8_2IyzMBdZNoAjNSTR9cLtbCEcP594EJIz3EKCbzkcbgzX=s0-d)
还是以字符
为例,它的UTF-16编码是4个字节的0xD834 DF06。问题就来了,4个字节的编码不属于UCS-2,JavaScript不认识,只会把它看作单独的两个字符U+D834和U+DF06。前面说过,这两个码点是空的,所以JavaScript会认为
是两个空字符组成的字符串!
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_vUa40nHaat0ei2cY5J_V1fOb2o1af5vMttC1rUUAF5oZ9vsOdIx7JX59AYumFRGAVT_mad-YZiuSSifWquU5pMGrYTdHegZjYw-zJLkYGm5A2tG3uH=s0-d)
上面代码表示,JavaScript认为字符
的长度是2,取到的第一个字符是空字符,取到的第一个字符的码点是0xDB34。这些结果都不正确!
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_s0WIop349vqiWGcV-KNOBzzJYF8WY9C1jnCWNKfvuoS1MMVywkHw-zivcPC9HiCyhokdUMyYfjUs8Y2VGIv4Ve-cHWC4_HoyLLdOR1Peqx1Tax8TNl=s0-d)
解决这个问题,必须对码点做一个判断,然后手动调整。下面是正确的遍历字符串的写法。
while (++index < length) { // ... if (charCode >= 0xD800 && charCode <= 0xDBFF) { output.push(character + string.charAt(++index)); } else { output.push(character); } }
上面代码表示,遍历字符串的时候,必须对码点做一个判断,只要落在0xD800到0xDBFF的区间,就要连同后面2个字节一起读取。
类似的问题存在于所有的JavaScript字符操作函数。
- String.prototype.replace()
- String.prototype.substring()
- String.prototype.slice()
- ...
上面的函数都只对2字节的码点有效。要正确处理4字节的码点,就必须逐一部署自己的版本,判断一下当前字符的码点范围。
九、ECMAScript 6
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_swDwlVKABBBs2BtYizANFWBWuPN0qDDFV996F4DmvNSw00FML73-N1ucI3JAA8W9rl9oAZ-Hy6WY0pbi7Wyv_pbLH28ix2BFD2xmc2xOnEe2o63kk4=s0-d)
JavaScript的下一个版本ECMAScript 6(简称ES6),大幅增强了Unicode支持,基本上解决了这个问题。
(1)正确识别字符
ES6可以自动识别4字节的码点。因此,遍历字符串就简单多了。
for (let s of string ) { // ... }
但是,为了保持兼容,length属性还是原来的行为方式。为了得到字符串的正确长度,可以用下面的方式。
Array.from(string).length
(2)码点表示法
JavaScript允许直接用码点表示Unicode字符,写法是"斜杠+u+码点"。
'好' === '\u597D' // true
但是,这种表示法对4字节的码点无效。ES6修正了这个问题,只要将码点放在大括号内,就能正确识别。
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_sAViD6GqEzC6mxUW4n93IrtvPbeTLa7PJdkUVnH6CPjcYzShvrWb0SBLjqDGDbtejWjstp79H5gGuMRR-Rno8UYvszuSLB2nSbHvoyxSd9xZKi1wXs=s0-d)
(3)字符串处理函数
ES6新增了几个专门处理4字节码点的函数。
- String.fromCodePoint():从Unicode码点返回对应字符
- String.prototype.codePointAt():从字符返回对应的码点
- String.prototype.at():返回字符串给定位置的字符
(4)正则表达式
ES6提供了u修饰符,对正则表达式添加4字节码点的支持。
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_v3SES06ea1iUKicgaNVeVLhzUa8iIMpEWBTtSdfTpo8pZPbZP0HvfrQ0Ty075f0-tTgWyLOnlbXhjE-C7QDviM70UF1OMzbb8cPYBO8nkOBvLClpAs=s0-d)
(5)Unicode正规化
有些字符除了字母以外,还有附加符号。比如,汉语拼音的Ǒ,字母上面的声调就是附加符号。对于许多欧洲语言来说,声调符号是非常重要的。
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_v8oHIxSJS7EnaHWez-3vBHxKhr5YJwbKxo918DH7db3t8rD4orQz_GYcZuyFp73X95d7L6NScnBd5MFImtMACs2JrLTb6IZFxL293uMsv6yeH-1E7d=s0-d)
Unicode提供了两种表示方法。一种是带附加符号的单个字符,即一个码点表示一个字符,比如Ǒ的码点是U+01D1;另一种是将附加符号单独作为一个码点,与主体字符复合显示,即两个码点表示一个字符,比如Ǒ可以写成O(U+004F) + ˇ(U+030C)。
// 方法一 '\u01D1' // 'Ǒ' // 方法二 '\u004F\u030C' // 'Ǒ'
这两种表示方法,视觉和语义都完全一样,理应作为等同情况处理。但是,JavaScript无法辨别。
'\u01D1'==='\u004F\u030C' //false
ES6提供了normalize方法,允许"Unicode正规化",即将两种方法转为同样的序列。
'\u01D1'.normalize() === '\u004F\u030C'.normalize() // true
关于ES6的更多介绍,请看《ECMAScript 6入门》。
==========================
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_u9elyVUikJRqRZcehwxIy8ThsHUZVCeVlbFUOrAS3jLnJ22DUj-DjywOYxOkiYg8r2cKgRJOseogkf-FoX61VN_tYmJsU0d9YyDWzP8fgn5FiuEocE=s0-d)
我的讲稿就是上面这些内容,当天的PPT请看这里。
(完)