阮一峰大佬:Unicode-8的编码规则(n>1)

  前言

  阅读本文,需要同学们已经对 Unicode 和 UTF-8 有了一定的了解。若是还未了解,这里推荐同学们阅读阮一峰大佬的相关文章(也是本文参考来源):

  字符编码笔记:ASCII,Unicode 和 UTF-8Unicode 与 JavaScript 详解UTF-8 的编码规则

  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。

  UTF-8 编码规则:

  对于单字节的符号,字节的第一位设为0,后面7位为这个符号的 Unicode 码。因此对于英语字母,UTF-8 编码和 ASCII 码是相同的。对于n字节的符号(n > 1),第一个字节的前n位都设为1,第n + 1位设为0,后面字节的前两位一律设为10。剩下的没有提及的二进制位,全部为这个符号的 Unicode 码。

  下表是对编码规则的总结,字母x表示可用编码的位。

  Unicode符号范围(十六进制)UTF-8编码方式(二进制)字节数

  url unicode编码转换_php unicode编码转换_js unicode编码转换器

  0000 0000——0000 007F

  0xxxxxxx

  1

  0000 0080——0000 07FF

  110xxxxx 10xxxxxx

  2

  0000 0800——0000 FFFF

  1110xxxx 10xxxxxx 10xxxxxx

  3

  0001 0000——0010 FFFF

  11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

  4

  现在js unicode编码转换器,我们依据上表,来解读一下 UTF-8 编码。如果一个字节的第一位是0,则这个字节单独就是一个字符;如果第一位是1,则连续有多少个1,就表示当前字符占用多少个字节。

  经过解读,想必同学们对 UTF-8 编码规则已有所了解。下面,我们就以汉字好为例,演示如何实现 UTF-8 编码。

  根据上表,可以得知597d处在0000 0800 - 0000 FFFF(十进制,2048-65535)范围内,所以好的 UTF-8 编码需要3个字节,也就是说它的格式是1110xxxx 10xxxxxx 10xxxxxx。

  然后,从好的最后一个二进制位开始,依次从后向前替换掉格式中的x,多出的位补0。这样js unicode编码转换器,我们就得到了好的 UTF-8 编码:10,转换成十六进制就是e5a5bd。

  代码实现

  下面的就是 Unicode 编码转 UTF-8 编码的代码实现。它是根据 UTF-8 编码规则来实现的,在阅读时,建议结合上面的表格和规则一起看。

   function toByte(data) {

        let parsedData = [];
        for (let i = 0, l = data.length; i < l; i++) {
            let byteArray = [];
            // charCodeAt() 方法可返回指定位置的字符的 Unicode 编码,返回值是 0 - 65535 
            // 之间的整数,表示给定索引处的 UTF-16 代码单元。
            let code = data.charCodeAt(i);
        // 十六进制转十进制:0x10000 ==> 65535  0x800 ==> 2048  0x80 ==> 128
        if (code > 0x10000) { // 4个字节
            // 0xf0 ==> 11110000 
            // 0x80 ==> 10000000
            byteArray[0] = 0xf0 | ((code & 0x1c0000) >>> 18); // 第 1 个字节
            byteArray[1] = 0x80 | ((code & 0x3f000) >>> 12); // 第 2 个字节
            byteArray[2] = 0x80 | ((code & 0xfc0) >>> 6); // 第 3 个字节
            byteArray[3] = 0x80 | (code & 0x3f); // 第 4 个字节
        } else if (code > 0x800) { // 3个字节
            // 0xe0 ==> 11100000
            // 0x80 ==> 10000000
            byteArray[0] = 0xe0 | ((code & 0xf000) >>> 12);
            byteArray[1] = 0x80 | ((code & 0xfc0) >>> 6);
            byteArray[2] = 0x80 | (code & 0x3f);
        } else if (code > 0x80) { // 2个字节
            // 0xc0 ==> 11000000
            // 0x80 ==> 10000000
            byteArray[0] = 0xc0 | ((code & 0x7c0) >>> 6);
            byteArray[1] = 0x80 | (code & 0x3f);
        } else { // 1个字节
            byteArray[0] = code;
        }
            parsedData.push(byteArray);
        }
        parsedData = Array.prototype.concat.apply([], parsedData);
        
        console.log('输出结果:', parsedData);
        console.log('转二进制:',
            parseInt(parsedData[0].toString(2)),
            parseInt(parsedData[1].toString(2)),
            parseInt(parsedData[2].toString(2)),
        );
    }

  为了大家易于理解代码,我们还以好为例进行解读。

  下面,是以好为例时,进入的逻辑代码。

   // 代码要结合 UTF-8 规则一起看,特别是如何用二进制补位的规则

    // 格式:1110xxxx 10xxxxxx 10xxxxxx
    // code二进制 ==>  1011001 01111101
    // 各字节分别的补位:
    // 第一个字节:101
    // 第二个字节:100101
    // 第三个字节:111101
    // 0xf000 ==>    11110000 00000000
    // 0xfc0 ==>         1111 11000000
    // 0x3f ==>                 111111
            
            
    // 0xe0 ==> 11100000
    // 0x80 ==> 10000000
    // 按位与运算通常用来对某些位清 0 或保留某些位(取特定位)。
    // 按位或可用来给指定位设定为 1
    byteArray[0] = 0xe0 | ((code & 0xf000) >>> 12);
    byteArray[1] = 0x80 | ((code & 0xfc0) >>> 6);
    byteArray[2] = 0x80 | (code & 0x3f);

  运算分析:

  结果展示:

  php unicode编码转换_url unicode编码转换_js unicode编码转换器

  截屏2021-10-26 11.15.43.png

  通过按位运算得到的二进制会被自动转为十进制,我们可以利用Number 对象的toString()方法将其转为二进制。

  另外,同学们是否注意到,若是将上面算出的三个值 101、100101 和 111101 拼接起来,它就是code的二进制 1101。

  结束语

  还是那句话,如若同学们发现文章内有说错的地方,还请不吝赐教,共同进步。最后,再说一句:阅读代码案例时,一定要结合 UTF-8 编码规则看。

  规则很重要!

  规则很重要!

  规则很重要!

文章由官网发布,如若转载,请注明出处:https://www.veimoz.com/1392
0 评论
816

发表评论

!