前端utf-8编码（前端开发中需要搞懂的字符编码知识）

时间2025-10-01 05:00:09分类IT科技浏览6224

导读：字符集和字符编码字符集就是字符的集合，如常见的 ASCII字符集，GB2312字符集，Unicode字符集等。这些不同字符集之间最大的区别是所包含的字符数量的不同。...

字符集和字符编码

字符集就是字符的集合，如常见的 ASCII字符集，GB2312字符集，Unicode字符集等。这些不同字符集之间最大的区别是所包含的字符数量的不同。

字符编码则代表字符集的实际编码规则，是用于计算机解析字符的，如 GB2312 ，GBK ，UTF-8 等。字符编码的本质就是如何使用二进制字节来表示字符的问题。

字符集和编码是一对多的关系，同一字符集可能有多种字符编码，如Unicode字符集就有 UTF-8，UTF-16 等。

在前端开发中，Javascript程序是使用Unicode字符集，Javascript源码文本通常是基于UTF-8编码。

但js代码中的字符串类型是UTF-16编码的，这也是为什么会碰到api接口返回字符串在前端出现乱码，因为多数服务都使用utf-8编码，前后编码方式不一致。

说起字符集的发展历程，可以总结为一句话：几乎都是对ASCII字符集的扩展。

ASCII

我们知道，计算机是使用二进制来处理信息的。

其中，每一个二进制位(bit)有 0和1 两种状态。一个字节(byte)则有8个二进制位，可以有256种状态。

而ASCII就是基于拉丁字母、主要用于显示英文的一种单字节字符集，它的编码和字符是一一对应的，因为它就是使用一个字节8个二进制位来表示，不会超过256个字符。

标准的ASCII字符总计有128个字符(2^7) ，其中前面32个控制字符，后面96个是可打印字符，包括常用的大小写字母数字标点符号等。因为只占用了一个字节的后7位，那字节的最高位一般设置为0 。

a.charCodeAt() // 97 A.charCodeAt() // 65 9.charCodeAt() // 57 ..charCodeAt() // 46

如上，每个字符会对应一个编码(使用数字标识) ，总共会从0-128 。完整的ASCII码表，网上很容易找到。

通过ASCII码表，我们发现，小写字母并没有和大写字母挨着排序？这是为了方便大小写之间的转换， A 排在 65(64 + 1) 位，而 a 排在 97(64 + 32 + 1) 位。

65 ^ 32 = 97 // A ^ 32 = a

字符集的发展历史

ASCII是几乎所有字符集的基础。

标准的ASCII码最多只能标识128个字符，欧美国家可以很好的使用，但其他国家的字符变多，自然就不够用了。

这个时候，最高位就开始被惦记上，通过扩展ASCII码的最高位，又能满足用于特殊符号的一些国家的需求，这种就是扩展ASCII码。

但是亚非拉更多非拉丁语系的国家，字符成千上万，只能使用新的方式。

如中文，就又进行了扩展，小于127的字符的意义与标准ASCII码相同，当需要标识汉字时，使用2个字节，每个字节都大于127 。这种多字节字符集即GB2312，后续因为不断的扩展，如繁体字和各种符号，甚至少数民族的语言符号等等，又使用了包括GBK等不同字符集。

因此，很多国家都制定了自己的编码字符集，基本都是在ASCII的基础上进行的。

各字符集虽然都能够兼容标准ASCII码，但在使用交流上的不便是显而易见的，乱码也是随处可见。为了解决这种各自为战的问题，Unicode字符集就诞生了。

Unicode

Unicode是国际组织制定的，用于收纳世界上所有文字和符号的字符集方案。

前128个字符同ASCII一样，进行扩充后，使用数字0-0x10FFFF来映射这些字符，最多可以有1114112个字符。目前仍然只使用了其中的一小部分。

Unicode一般使用两个字节来表示一个字符。

码点

Unicode 规定了每个字符的数字编号，这个编号被称为码点(code point) 。

码点以 U+hex 的形式表示，U+是代表Unicode的前缀，而 hex 是一个16进制数。取值范围是从 U+0000 到 U+10FFFF 。

每个码点对应一个字符，绝大部分的常见字符在最前面的 65536 个字符，范围是 U+0000到U+FFFF 。

一般汉字的码点区间为 U+2E80 - U+9FFF。

字符平面

目前的Unicode分成了17个编组，也称平面，每个平面有65536个码点。

第一个平面是基本多语言平面，范围：U+0000 - U+FFFF ，多数常见字符都在该区间。

其他平面则为辅助平面，范围：U+10000 到 U+10FFFF ，如我们在网上常见 Emoji 表情。

码元

码元(Code Unit)可以理解为对码点进行编码时的最小基本单元，码元是一个整体。而字符编码的作用就是将Unicode码点转换成码元序列。

Unicode常用的编码方式有 UTF-8 、UTF-16 和 UTF-32 ，UTF是Unicode TransferFormat的缩写。

UTF-8是8位的单字节码元，UTF-16是16位的双字节码元，UTF-32是32位的四字节码元。编码方式码元编码后字节数 UTF-8 8位 1-4字节 UTF-16 16位 2字节或者4字节 UTF-32 32位 4字节

另外，为什么总看到使用十六进制数据来表示如码点等各种数据呢？

因为，两位的十六进制正好等于一个字节8位，0xff = 0b11111111 。

UTF-8

UTF-8是一种可变长度的字符编码方式。目前是使用 1 到 4 个字节来编码字符。

是互联网时代应用最广的一种编码方式，前端接触的相对最多。

需要注意的是：汉字一般占3个字节，表情符号一般占4个字节。

UTF-8的编码规则：

1个字节的字符，第一位为0 ，后7位为码点，与ASCII相同。 n个字节的字符，第一个字节前面 n 位都是1 ，n+1位是0 ，可据此判断有几个字节。后面的几个字节都是 10 为开头2位。

这里规定的都是前缀，对于字符的码点，需要进行截取后依次放入除前缀外的其他位，所以UTF-8又被称为前缀码。

格式如表：字节数码点位数码点范围编码方式 1 7 U+0000~U+007F 0××××××× 2 11 U+0080~U+07FF 110××××× 10×××××× 3 16 U+0800~U+FFFF 1110×××× 10×××××× 10×××××× 4 21 U+10000~U+10FFFF 11110××× 10×××××× 10×××××× 10××××××

通过上表的编码规则，我们就可以进行各种转换了。

下面我们以一个中文字符的编码转换为例，如汉字好：

好的Unicode码点：好.codePointAt() \\ 22909 ，结果是22909；

22909在UTF-8的3字节数的编码区间 U+0800 (2048) ~ U+FFFF (65535)；

22909的二进制值：101100101111101，有15位；

而3字节数的编码需要16位，前面补0 ，根据表中规则分成3组：0101 100101 111101；

依次填入对应的前缀：11100101 10100101 10111101，得到3个字节；

将得到的三个字节转成十六进制数据：E5 A5 BD ，所以汉字好的UTF-8就是：E5 A5 BD 。

我们使用 encodeURI 进行验证————encodeURI函数支持将中文进行 UTF-8 编码：

encodeURI(好) // %E5%A5%BD

去除百分号，结果正好一致。

UTF-16

UTF-16的编码方式：基本平面的字符占用 2 个字节（U+0000到U+FFFF），辅助平面的字符占用 4 个字节（U+010000到U+10FFFF）。

也就是说，UTF-16的编码长度要么是2个字节要么是4个字节。当为2字节时，则实际上与Unicode相同。

并且还有个原则，在Unicode基本多语言平面内，从U+D800到U+DFFF之间的码点区间是不对应字符的。而UTF-16需要利用这块码位来对辅助平面的字符进行编码。

它的具体规则：码点小于U+FFFF ，基本字符，不需处理，直接使用，占两个字节。否则，拆分成两个码元，四个字节，cp表示码点：低位——((cp - 65536) / 1024) + 0xD800 ，值范围是 0xD800~0xDBFF；高位——((cp- 65536)%1024) + 0xDC00，值范围是 0xDC00~0xDFFF。

看下面的示例：

汉字好，好.codePointAt() // 22909 ，码点小于U+FFFF ，直接进行十六进制转换：579D 。表情符号 ? ，?.codePointAt() // 128516 ，码点需要拆分：低位：Math.floor(((128516 - 65536) / 1024)) + 0xD800 // 55357, 得到 D83D 高位：((128516- 65536)%1024) + 0xDC00 // 56836 ，得到 DE04

使用 String.fromCharCode 方法进行验证：

String.fromCharCode(0xD83D, 0xDE04) // ?

需要明确的一点，Javascript中的字符串是基于UTF-16编码的，大端序字节。

UTF-32是定长的编码，每个码位使用四个字节进行编码。优点是和unicode一一对应，缺点是太浪费空间。

比较

下面将选取字母、汉字、表情字符，进行编码对比查看：

// UTF-8 a: 97 - 0x61 好: 22909 - (0xE5 0xA5 0xBD) ?： 128516 - (0xF0 0x9F 0x98 0x84) // UTF-16 a: 97 - 0x0061 好: 22909 - 0x597d ?： 128516 - (0xD83D, 0xDE04)

可以看到，UTF-8是变长1-4个字节，码元为8位；UTF-16是2或4字节，码元是16位。

这里记住UTF-16的码元，对于我们理解下面的问题，比较有帮助。

前端开发中的编码

前面已提到过，javascript中的字符串是基于UTF-16编码的，所以在计算字符串长度时，我们需要先理解UTF-16编码。

下面看下处理字符串时可能会遇到的问题。

字符串长度计算

字符串的length属性，实际上是使用UTF-16的码元个数来进行计算的：

ASCII码和大部分中文，都是一个码元而表情字符和其他特殊字符都是两个码元

所以当某个字符中存在2个码元时，就算显示的是一个字符，length却等于2 。

a.length // 1 好.length // 1 ，多数汉字都是基本字符平面，只有一个码元，长度就为1 。 ?.length // 2 组合字符的长度

还有一种特殊的，组合字符，一般指一些带标点符号的字符：é 。

é.length // 2 e\u0301.length // 2 // 获取码点时，忽略了标点符号，显示的是字母的码点 é.codePointAt() // 101 e.codePointAt() // 101

如要正常操作组合字符，使用normalize() 。

é.normalize().length = 1 。

多码元字符操作

对于多码元字符使用下标取值时，得到的将是它的码元：

?[0] // \uD83D ?[1] // \uDE04 123[0] // 1

循环时，使用 for 会乱码，而 for-of 则正常：

let smile = ? for(let i = 0; i < smile.length; i++) { console.log(smile[i]) } // � // � for (let tt of smile) { console.log(tt) } // ?

但，可以使用转换成扩展数组的方式访问：

[...?][0] // ? Array.from(?) // [?]

还可以使用码点的方式：

String.fromCodePoint(?.codePointAt()) // ?

对于这种特殊字符，使用下面的字符串方法都会分割码元：

split() ，slice() ，charAt() ，charCodeAt() ，substr() ，substring() 。 ?.slice(0, 2) // ? ?.slice(0, 1) // \uD83D ?.slice(1, 2) // \uDE04 ?.substr(0,1) // \uD83D ?.substr(0,2) // ? ?.split() // [\uD83D, \uDE04]

正则中的 u 修饰符

ES6在正则中添加了u修饰符，用来正确处理大于\uFFFF的 Unicode 字符。

也就是能够正确处理四个字节的 UTF-16 编码。 /^\S$/.test(?) // false /^\S$/u.test(?) // true

但对组合字符，u修饰符不起作用：

/^\S$/u.test(é) // false /^\S$/u.test(e\u0301) // false

转义字符

我们还需要注意的，是转义字符的计算，结果会以实际字符为准：

\x3f.length // 1 ?.length // 1

读取操作时，也能正常处理：

\x3f[0] // ? \x3f.split() // [?]

常用API

前端在对Unicode编码处理时，提供了一些可以使用的API，在实际工作中，会方便我们处理这方面的问题。

处理码点和字符 charAt(index)

从一个字符串中返回指定的字符，对于多码元字符，仍会返回码元字符： a.charAt() // a ?.charAt() // \uD83D ?.charAt(1) // \uDE04

charCodeAt(index)

返回0到65535之间的整数码点值。对于多码元如果字符的码点大于U+FFFF ，则返回第一个码元值，还可以加索引参数取后面码元的值。 codePointAt(pos)

返回Unicode码点，多码元也能返回完整的码点值。codePointAt可以传入索引参数，对多码元字符取第二个码元值。 // 小于 U+FFFF 好.codePointAt() // 22909 好.charCodeAt() // 22909 // 大于 U+FFFF ?.charCodeAt() // 55357 ?.charCodeAt(1) // 56836 ?.codePointAt() // 128516 ?.codePointAt(1) // 56836

String.fromCharCode(num1[, ...[, numN]])

返回由指定的UTF-16码点序列创建的字符串。参数范围0到65535 ，大于65535的数据将被截断，结果不准确。

对于多码元字符，则会将两个码元组合得到该字符。 String.fromCodePoint(num1[, ...[, numN]])

返回使用指定的代码点序列创建的字符串。可以处理多码元字符的完整码点值。 String.fromCharCode(55357, 56836, 123) // ?{ String.fromCodePoint(128516, 123, 8776) // ?{≈ TextEncoder

TextEncoder ，使用 UTF-8 编码将代码点流转换成字节流。

TextDecoder：解码。

默认编码方式就是UTF-8 ，可以解决字符转UTF-8编码的问题。 const txtEn = new TextEncoder() const enVal = txtEn.encode(好) // Uint8Array(3)[229, 165, 189] const txtDe = new TextDecoder() txtDe.decode(enVal) // 好

IE不支持。

String.prototype.normalize()

对于语调符号和重音符号，Unicode提供了两种方法，一种是直接提供带符号的字符，如 é (码点233)；另一种是组合字符，如上文提到的 é (码点101) 。

针对这种码点不同，但实质一样的字符，Javascript识别不了： é === é // false

而 normalize() 方法的引入，正是为了解决这一问题，它会按照一定的方式将字符的不同表示方法统一为标准形式：

é === é.normalize() // true URL的UTF8编解码

另外，在前端常接触的网页中，URL链接编码也是非常常见的。诸如：http%3A%2F%2Fbaidu.com%2F%E4%B8%AD%E5%9B%BD 。这里面涉及到的就是关于UTF-8的编码。

而JavaScript提供了四个URL的编码/解码方法，可以用于将非ASCII码的字符，如中文字符、特殊字符、表情字符等，进行UTF-8的编解码操作： encodeURI() 和 encodeURIComponent() decodeURI() 和 decodeURIComponent()

他们的短处也很明显，对ASCII字符如英文数字等字符无法处理。

这里的转换方式：先转为UTF-8的字节码，然后前面加个 % 进行拼接得到编码结果。 encodeURI(好) // %E5%A5%BD decodeURI(%E5%A5%BD) // 好 encodeURIComponent(好) // %E5%A5%BD decodeURIComponent(%E5%A5%BD) // 好 encodeURI(hello) // hello encodeURIComponent(hello) // hello encodeURIComponent(?) // %F0%9F%98%84 encodeURI和encodeURIComponent的区别

这两者的不同之处，在于对部分URL元字符符号的处理上。

URL元字符：分号（;），逗号（’,’），斜杠（/），问号（?），冒号（:），at（@），& ，等号（=），加号（+），美元符号（$），井号（#）。

encodeURIComponent会对这些URL元字符进行编码，但是encodeURI则不会：

encodeURIComponent(;,/@&=) // %3B%2C%2F%40%26%3D encodeURI(;,/@&=) // ;,/@&=

展开全文READ MORE

人工智能生成物概念王迁教授（AI未来十年新范式，生成式人工智能的挑战与机遇）