javascript基礎之字符集與編碼

本篇文章是本人純手寫，若有錯誤或者論述不當，歡迎各位同行給予指出。

前言

我在看<<JavaScript權威指南>的時候，給咱們介紹了javascript的所使用的字符集是Unicode。因而我就開始慢慢了解javaScript與Unicode

什麼是Unicode？

按Unicode官方的說法，Unicode是Unicode Standard（Unicode標準）的簡寫，因此Unicode便是指Unicode標準。
按wiki的說法，它是一個計算機工業標準（a computing industry standard）。
因此咱們先須要明白兩個概念，字符集和編碼。

字符集

這裏我重點推薦字符集與編碼這篇文章，對字符集說的很詳細。若是還有不清楚"字符集"的小夥伴。我這裏能夠給小夥伴們形象的舉例說明下。字符集能夠類比於咱們的身份證系統，咱們每一個人都是有一個身份證號，字符集中的每個展現的字符都有字符編號。好比你是張三，你的身份證號就是XXX1，你是王二，身份證號就是XXX2。你拿身份證在中國是能分辨出你是誰。可是你去美國，人家是不認你的身份證，你須要有美國中相關證件，人家美國才能分辨你是誰，否則，你就被當作非法移民。同理，在字符集中。一箇中文字符"好"，在Unicode編號是【597d】，你把【597d】放到到ASCII字符集中，ASCII字符集就識別不出是"好"字了，會出現一些莫名奇妙的亂碼。就會有不少不一樣的字符集。咱們這些小夥伴們只要記住所謂字符集就是一個標準，一個規範，可是不一樣的字符集中標準和規範是不同的。那字符集能用來幹嗎呢? 主要是用來指導咱們在計算機中去定位字符。既然定位字符，天然就會給每一個字符定義一個編號，編號確定是惟一的，不用想,否則你一個編號去定位兩個或者多個字符，那計算機就沒法判斷你所須要的字符是哪一個。字符集中，如何定義那個字符的編號，這事已經不須要咱們關心了。ASCII字符集、GBK字符集、Unicode字符集，都已經有官方的組織幫咱們定義好了，咱們只管使用就行。固然，世界上如今最通用的字符集就是Unicode啦

編碼

這裏我重點推薦字符集與編碼（二）——編號 vs 編碼這篇文章，對編號與編碼說的很詳細。我總結一句話就是: 編碼就是對字符集中的編號進行編碼

注意！！！字符集中 編號是固定的，可是對其中的 編號進行 編碼方式是多種多樣的
拿咱們經常使用的Unicode字符集舉例，就有UCS-二、UTF-八、UTF-1六、UTF-32等多種編碼方式。

爲了讓小夥伴們更好的瞭解編碼是什麼，我這裏作了一個小試驗。
打開 Ultraedit，建立一個文件，名稱叫作a.js。裏面輸入一個字符"好"

裏面的文件編碼方式是UTF-8，咱們還能夠經過查看16進制查看該字符的存儲編碼是E5A5BD，表示三個字節。

可能有小夥伴覺很奇怪，UTF-8是屬於Unicode字符集麼。那麼保存的16進制應該就是597d，怎麼變成了E5A5BD。
這裏給這些小夥伴解答一下疑惑。咱們須要明白UTF-8是一種編碼方式，它會按照必定的規則對Unicode中字符的編號進行轉換，既然通過轉化，就不可能存儲仍是原始的字符的編號。咱們在上面看到的16進制。已是通過UTF-8對這個字符的編號進行轉換事後的內容，不是它原始的編號【597d】。一樣的，當咱們用的電腦去讀取上面存儲的文本的(16進制的E5A5BD)，電腦也是須要必定的規則去把內容轉化爲Unicode的編號。
爲了驗證讀取也是須要規則的想法，咱們把編碼變成UTF-16LE，咱們再看文本，就變成了亂碼

咱們查看裏面的16進制內容，依然是沒有發生變化

爲何變成了亂碼，由於存儲的規則(UTF-8)與讀取的規則不同(UTF-16LE)，因而就致使了亂碼。可是讀取時候存儲的文件內容是沒有變化的，仍是E5A5BD。只是顯示給用戶看的時候，變成了亂碼。

在這裏給小夥伴們saowie總結一下。 所謂編碼其實就是對字符集裏面的編號進行轉換的規則。像UTF-8有UTF-8的規則(PS: UTF-8轉Unicode的轉換規則網絡資料不少，自行百度、google，這裏再也不補充)， UTF-16LE有UTF-16的規則，當咱們在保存和讀取文件時候，須要告訴咱們的計算機是什麼規則。好讓咱們的計算機去經過相應的規則去獲取對應的字符。(PS:固然如今不少軟件默認編碼方式是UTF-8, 已經給咱們定義好了，不須要咱們去特地更改編碼)。

JavaScript與Unicode

如今你們對字符集合字符編碼應該已經不陌生了, 下面咱們一塊兒探討下，JavaScript與字符集的關係。
這裏咱們能夠參考阮一峯的Unicode與JavaScript詳解，說的很不錯。
這裏我給小夥伴們指出一下重點: javaScript是使用Unicode字符集的，但它的編碼方式是UCS-2(歷史緣由)，而且UCS-2的編碼與Unicode的編號幾乎同樣。因此，咱們能夠在JS中直接使用轉義後Unicode的編號就能獲取對應字符，好比u597d => 好。

最後，這裏給小夥伴們補充幾個例子，用於加深理解。
A1. JS中獲取字符的幾種方式
A. 直接經過鍵盤輸入, 這個很少說
B. Unicode轉義序列, javaScript中能夠經過6位ASCII碼來表示一個Unicode編碼, 其中u是前綴，後面4位16進制數，也就是你想要字符的編號來獲取相應的字符。

console.log('\u597d')  // => 好
console.log('\u6211')  // => 我

C. 經過String.fromCharCode獲取字符, javaScript中給開發人員提供了一個能夠經過Unicode編號直接獲取字符的API。String.fromCharCode

String.fromCharCode(0x6211, 0x4e00) // => 我一

A2. 判斷是不是中文

// /^[\u4e00-\u9fa5]+$/ 驗證漢字的正則表達式
function isAllChinese(str) {
    return /^[\u4e00-\u9fa5]+$/.test(str);
}

咱們只是須要把中文的Unicode編號範圍圈出來，而後判斷字符是否在此範圍內便可。

A3. javaScript獲取字符的Unicode編號

var str = '好好學習';
for (var i = 0, length = str.length; i < length; i++) {
  console.log(str.codePointAt(i).toString(16)) //=> 597d 597d 5b66 4e60 
}

文章中所用 Unicode編號在其餘文章中被稱爲 碼點，兩個所指都是同一個內容，望小夥伴們不要誤解