浅谈Unicode与JavaScript的发展史


Posted in Javascript onJanuary 19, 2015

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。

浅谈Unicode与JavaScript的发展史

它从0开始,为每个符号指定一个编号,这叫做"码点"(codepoint)。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。

浅谈Unicode与JavaScript的发展史

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。

浅谈Unicode与JavaScript的发展史

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 0000U+597D = 0x0000 597D

浅谈Unicode与JavaScript的发展史

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,HTML5标准就明文规定,网页不得编码成UTF-32。

浅谈Unicode与JavaScript的发展史

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 - 0x007F10x0080 - 0x07FF20x0800 - 0xFFFF30x010000 - 0x10FFFF4

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)。

浅谈Unicode与JavaScript的发展史

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。

浅谈Unicode与JavaScript的发展史

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)+0xD800L = (c - 0x10000) % 0x400 + 0xDC00

浅谈Unicode与JavaScript的发展史

以字符浅谈Unicode与JavaScript的发展史为例,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 = 0xD834L = (0x1D306-0x10000) % 0x400+0xDC00 = 0xDF06

所以,字符浅谈Unicode与JavaScript的发展史的UTF-16编码就是0xD834 DF06,长度为四个字节。

浅谈Unicode与JavaScript的发展史

五、JavaScript使用哪一种编码?

浅谈Unicode与JavaScript的发展史

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!

浅谈Unicode与JavaScript的发展史

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1988年成立的Unicode团队,另一个是1989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。

浅谈Unicode与JavaScript的发展史

UCS的开发进度快于Unicode,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,BrendanEich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!

浅谈Unicode与JavaScript的发展史

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。

浅谈Unicode与JavaScript的发展史

还是以字符浅谈Unicode与JavaScript的发展史为例,它的UTF-16编码是4个字节的0xD834DF06。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会认为浅谈Unicode与JavaScript的发展史是两个空字符组成的字符串!

浅谈Unicode与JavaScript的发展史

上面代码表示,JavaScript认为字符浅谈Unicode与JavaScript的发展史的长度是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!

浅谈Unicode与JavaScript的发展史

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

浅谈Unicode与JavaScript的发展史

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"反斜杠+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。

浅谈Unicode与JavaScript的发展史

(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。

浅谈Unicode与JavaScript的发展史

(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。

浅谈Unicode与JavaScript的发展史

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》。

Javascript 相关文章推荐
JavaScript 面向对象编程(2) 定义类
May 18 Javascript
基于jQuery的一个扩展form序列化到json对象
Dec 09 Javascript
Jquery网页出现的乱码问题的三种解决方法
Jun 30 Javascript
JavaScript中实现PHP的打乱数组函数shuffle实例
Oct 11 Javascript
JavaScript DOM操作表格及样式
Apr 13 Javascript
jQuery幻灯片带缩略图轮播效果代码分享
Aug 17 Javascript
jQuery Easyui加载表格出错时在表格中间显示自定义的提示内容
Dec 08 Javascript
jQuery Validate验证框架详解(推荐)
Dec 17 Javascript
解决vue A对象赋值给B对象,修改B属性会影响到A的问题
Sep 25 Javascript
AngularJS 多指令Scope问题的解决
Oct 25 Javascript
vue-cli中安装方法(图文详细步骤)
Dec 12 Javascript
Angular value与ngValue区别详解
Nov 27 Javascript
jQuery中ready事件用法实例
Jan 19 #Javascript
jQuery中offsetParent()方法用法实例
Jan 19 #Javascript
jQuery中outerWidth()方法用法实例
Jan 19 #Javascript
javascript数据类型示例分享
Jan 19 #Javascript
jQuery中outerHeight()方法用法实例
Jan 19 #Javascript
jQuery中innerWidth()方法用法实例
Jan 19 #Javascript
JS实现页面超时后自动跳转到登陆页面
Jan 19 #Javascript
You might like
一个程序下载的管理程序(三)
2006/10/09 PHP
Php获取金书网的书名的实现代码
2010/06/11 PHP
解决文件名解压后乱码的问题 将文件名进行转码的代码
2012/01/10 PHP
使用php清除bom示例
2014/03/03 PHP
PHP设计模式之装饰器模式实例详解
2018/02/07 PHP
javascript 实现子父窗体互相传值的简单实例
2014/02/17 Javascript
js 验证身份证信息有效性
2014/03/28 Javascript
用jquery实现的一个超级简单的下拉菜单
2014/05/18 Javascript
我的Node.js学习之路(四)--单元测试
2014/07/06 Javascript
Javascript闭包(Closure)详解
2015/05/05 Javascript
JavaScript实现仿网易通行证表单验证
2015/05/25 Javascript
jQuery事件绑定on()、bind()与delegate() 方法详解
2015/06/03 Javascript
JavaScript如何动态创建table表格
2020/08/02 Javascript
学习JavaScript事件流和事件处理程序
2016/01/25 Javascript
Uploadify上传文件方法
2016/03/16 Javascript
深入理解JS addLoadEvent函数
2016/05/20 Javascript
图文详解JavaScript的原型对象及原型链
2016/08/02 Javascript
老生常谈JavaScript中的this关键字
2016/10/01 Javascript
NodeJs测试框架Mocha的安装与使用
2017/03/28 NodeJs
Bootstrap实现翻页效果
2017/11/27 Javascript
基于vue 动态加载图片src的解决方法
2018/02/05 Javascript
JavaScript如何对图片进行黑白化
2018/04/10 Javascript
详解Node.js 中使用 ECDSA 签名遇到的坑
2018/11/26 Javascript
vue中引入第三方字体文件的方法示例
2018/12/17 Javascript
Python中replace方法实例分析
2014/08/20 Python
python迭代器与生成器详解
2016/03/10 Python
Python IDLE 错误:IDLE''s subprocess didn''t make connection 的解决方案
2017/02/13 Python
TensorFlow如何实现反向传播
2018/02/06 Python
python format 格式化输出方法
2018/07/16 Python
anaconda中更改python版本的方法步骤
2019/07/14 Python
Schutz鞋官方网站:Schutz Shoes
2017/12/13 全球购物
设计部经理的岗位职责
2013/11/16 职场文书
工作骂脏话检讨书
2014/10/05 职场文书
学习十八届四中全会依法治国心得体会
2014/11/03 职场文书
干部年终考核评语
2015/01/04 职场文书
我的暑假生活作文(五年级)范文
2019/08/07 职场文书