小议 Javascript 中的 UTF-8

直接去读原文

在 Javascript 中处理编码问题有时会令人烦恼。我最近一次遭遇就是在使用浏览器的 atob 和 btoa 函数时。这些函数用于二进制字符串和 Base64 ASCII 码之间的转换。但是用它们处理 Unicode 字符串时就挂了：

> btoa('\u0227');
Error: INVALID_CHARACTER_ERR: DOM
Exception 5

MDN 上关于 btoa 的文档指出下面来自于 Johan Sundström 的函数可以解决 Unicode 问题：

function encode_utf8(s) {
  return unescape(endcodeURIComponent(s));
}

function decode_utf8(s) {
  return decodeURIComponent(escape(s));
}

用上这些函数后，btoa 就能够给出期望的结果了：

> btoa(encode_utf8('\u0227'));
"yKc=="

Johan 的函数能正常工作，只是让人觉得有点像是黑魔法。所以我决定研究一下 encode_utf8 函数的各个部分，搞明白它是如何工作的。

encodeURIComponent

encode_utf8 函数中先使用了 encodeURIComponent 。encodeURIComponent 在最近的 ECMAScript 规范中定义如下：

encodeURIComponent 函数计算产生一个新的 URI ，其中的某些字符被替换为一个，二个，三个，或四个字节的 该字符 UTF-8 编码的转义序列。

令我惊讶的是 encodeURIComponent 函数是与 UTF-8 编码绑定的。而不像其它语言的类似函数，编码方式是作为函数参数传入的。如果你本来就像使用 UTF-8 编码，当然没有问题，如果你想使用别的编码方式就不好使了（当然也有别的方法使用 ArrayBuffers 实现定长编码）。

这儿有个例子是对 Unicode 字符 U+0227 （ȧ，小写的拉丁字母 A 顶上加个点）使用 encodeURIComponent 函数：

> encodeURIComponent('\u0227');
"%C8%A7"

结果是一个百分号编码的字符串，每一段表示该字符串 UTF-8 编码的一个字节。查找 Unicode 字符 U+0227 的文档，我们可以验证该字符 UTF-8 编码的十六进制形式就是 0xC8 0xA7 。

ECMAScript 的定义很模糊，它说 encodeURIComponent 会替换“某些字符”，却没说明这些字符。不过一个 快速的试验显示，任何大于 0x7E 的字符都会被编码，所以我觉得说任何非 ASCII 字符都会被 encocodeURIComponent 编码肯定不会错。由于百分号编码方式只使用了数字 0-9 ，字母 A-F 以及 ‘%’ 字符，可以保证输出结果一定是 ASCII 字符串。

现在我们可以先暂停一下。btoa 函数所需要的就是 ASCII 字符串，encodeURIComponent 函数就已然够用了：

> btoa(encodeURIComponent('\u0227'));
"JUM4JUE3"

不过这样做有一些缺陷。首先，输出的结果字符串与输入的字符串的二进制变了。这只是个原始字节的一个编码版本。这可能在与其它系统交互时造成困难和烦恼。

第二个缺陷是，encodeURIComponent 函数生成了一个更长的字符串。单个 Unicode 字符采用 UTF-8 编码最多占用 4 个字节，经过 URI 编码后就能产生一个 12 个字符长的串。之后在经过 Base64 编码（能使字符串变得更长），最终输出的结果比输入的字符能长许多倍。为了解决字符串长度问题， Johan 找来了 unescape 函数。

阅读完整文章