解析JavaScript中的字符串类型与字符编码支持

JavaScript中的字符串也像Python那样支持反斜杠的转移,并且字符集方面默认为Unicode,下面就来详细解析JavaScript中的字符串类型与字符编码支持

定义 字符串就是零个或多个排在一起的字符，放在单引号或双引号之中。

`'abc'`
`"abc"`

单引号字符串的内部，可以使用双引号。双引号字符串的内部，可以使用单引号。

'key = "value"'
"It's a long journey"

上面两个都是合法的字符串。

如果要在单引号字符串的内部，使用单引号（或者在双引号字符串的内部，使用双引号），就必须在内部的单引号（或者双引号）前面加上反斜杠，用来转义。

`'Did she say \'Hello\'?'`
`// "Did she say 'Hello'?"`
`"Did she say \"Hello\"?"`
`// "Did she say "Hello"?"`

由于HTML语言的属性值使用双引号，所以很多项目约定JavaScript语言的字符串只使用单引号，本教程就遵守这个约定。当然，只使用双引号也完全可以。重要的是，坚持使用一种风格，不要两种风格混合。

字符串默认只能写在一行内，分成多行将会报错。

`'a`
`b`
`c'`
`// SyntaxError: Unexpected token ILLEGAL`

上面代码将一个字符串分成三行，JavaScript就会报错。
如果长字符串必须分成多行，可以在每一行的尾部使用反斜杠。

`var` `longString =` `"Long \`
`long \`
`long \`
`string"``;`
`logString`
`// "Long long long string"`

上面代码表示，加了反斜杠以后，原来写在一行的字符串，可以分成多行书写。但是，输出的时候还是单行，效果与写在同一行完全一样。注意，反斜杠的后面必须是换行符，而不能有其他字符（比如空格），否则会报错。

连接运算符（+）可以连接多个单行字符串，将长字符串拆成多行书写，输出的时候也是单行。

`var` `longString =` `'Long '`
`+` `'long '`
`+` `'long '`
`+` `'string'``;`

如果想输出多行字符串，有一种利用多行注释的变通方法。

`(``function` `() {` `/*`
`line 1`
`line 2`
`line 3`
`*/``}).toString().split(``'\n'``).slice(1, -1).join(``'\n'``)`
`// "line 1`
`// line 2`
`// line 3"`

上面的例子中，输出的字符串就是多行。

转义 反斜杠（）在字符串内有特殊含义，用来表示一些特殊字符，所以又称为转义符。

需要用反斜杠转义的特殊字符，主要有下面这些：

• 0 null（u0000）
• b 后退键（u0008）
• f 换页符（u000C）
• n 换行符（u000A）
• r 回车键（u000D）
• t 制表符（u0009）
• v 垂直制表符（u000B）
• ' 单引号（u0027）
• " 双引号（u0022）
• 反斜杠（u005C）

上面这些字符前面加上反斜杠，都表示特殊含义。

`console.log(``'1\n2'``)`
`// 1`
`// 2`

上面代码中，n表示换行，输出的时候就分成了两行。
反斜杠还有三种特殊用法。

（1）HHH
反斜杠后面紧跟三个八进制数（000到377），代表一个字符。HHH对应该字符的Unicode码点，比如251表示版权符号。显然，这种方法只能输出256种字符。

（2）xHH
x后面紧跟两个十六进制数（00到FF），代表一个字符。HH对应该字符的Unicode码点，比如xA9表示版权符号。这种方法也只能输出256种字符。

（3）uXXXX
u后面紧跟四个十六进制数（0000到FFFF），代表一个字符。HHHH对应该字符的Unicode码点，比如u00A9表示版权符号。

下面是这三种字符特殊写法的例子。

`'\251'` `// "©"`
`'\xA9'` `// "©"`
`'\u00A9'` `// "©"`
`'172'` `===` `'z'` `// true`
`'\x7A'` `===` `'z'` `// true`
`'\u007A'` `===` `'z'` `// true`

如果在非特殊字符前面使用反斜杠，则反斜杠会被省略。

`'\a'`
`// "a"`

上面代码中，a是一个正常字符，前面加反斜杠没有特殊含义，反斜杠会被自动省略。
如果字符串的正常内容之中，需要包含反斜杠，则反斜杠前面需要再加一个反斜杠，用来对自身转义。

`"Prev \\ Next"`
`// "Prev \ Next"`

字符串与数组 字符串可以被视为字符数组，因此可以使用数组的方括号运算符，用来返回某个位置的字符（位置编号从0开始）。

`var` `s =` `'hello'``;`
`s[0]` `// "h"`
`s[1]` `// "e"`
`s[4]` `// "o"`

// 直接对字符串使用方括号运算符
'hello'``[1] // "e"

如果方括号中的数字超过字符串的长度，或者方括号中根本不是数字，则返回undefined。

`'abc'``[3]` `// undefined`
`'abc'``[-1]` `// undefined`
`'abc'``[``'x'``]` `// undefined`

但是，字符串与数组的相似性仅此而已。实际上，无法改变字符串之中的单个字符。

`var` `s =` `'hello'``;`
`delete` `s[0];`
`s` `// "hello"`
`s[1] =` `'a'``;`
`s` `// "hello"`
`s[5] =` `'!'``;`
`s  `// "hello"`

上面代码表示，字符串内部的单个字符无法改变和增删，这些操作会默默地失败。

字符串之所以类似于字符数组，实际是由于对字符串进行方括号运算时，字符串会自动转换为一个字符串对象。

length属性 length属性返回字符串的长度，该属性也是无法改变的。

`var` `s =` `'hello'``;`
`s.length` `// 5`
`s.length = 3;`
`s.length` `// 5`
`s.length = 7;`
`s.length` `// 5`

上面代码表示字符串的length属性无法改变，但是不会报错。

字符集 JavaScript使用Unicode字符集，也就是说在JavaScript内部，所有字符都用Unicode表示。

不仅JavaScript内部使用Unicode储存字符，而且还可以直接在程序中使用Unicode，所有字符都可以写成”uxxxx”的形式，其中xxxx代表该字符的Unicode编码。比如，u00A9代表版权符号。

`var` `s =` `'\u00A9'``;`
`s` `// "©"`

每个字符在JavaScript内部都是以16位（即2个字节）的UTF-16格式储存。也就是说，JavaScript的单位字符长度固定为16位长度，即2个字节。

但是，UTF-16有两种长度：对于U+0000到U+FFFF之间的字符，长度为16位（即2个字节）；对于U+10000到U+10FFFF之间的字符，长度为32位（即4个字节），而且前两个字节在0xD800到0xDBFF之间，后两个字节在0xDC00到0xDFFF之间。举例来说，U+1D306对应的字符为𝌆，它写成UTF-16就是0xD834 0xDF06。浏览器会正确将这四个字节识别为一个字符，但是JavaScript内部的字符长度总是固定为16位，会把这四个字节视为两个字符。

`var` `s =` `'\uD834\uDF06'``;`
`s` `// "𝌆"`
`s.length` `// 2`
`/^.$/.test(s)` `// false`
`s.charAt(0)` `// ""`
`s.charAt(1)` `// ""`
`s.charCodeAt(0)` `// 55348`
`s.charCodeAt(1)` `// 57094`

上面代码说明，对于于U+10000到U+10FFFF之间的字符，JavaScript总是视为两个字符（字符的length属性为2），用来匹配单个字符的正则表达式会失败（JavaScript认为这里不止一个字符），charAt方法无法返回单个字符，charCodeAt方法返回每个字节对应的十进制值。

所以处理的时候，必须把这一点考虑在内。对于4个字节的Unicode字符，假定C是字符的Unicode编号，H是前两个字节，L是后两个字节，则它们之间的换算关系如下。

`// 将大于U+FFFF的字符，从Unicode转为UTF-16`
`H = Math.floor((C - 0x10000) / 0x400) + 0xD800`
`L = (C - 0x10000) % 0x400 + 0xDC00`
`// 将大于U+FFFF的字符，从UTF-16转为Unicode`
`C = (H - 0xD800) * 0x400 + L - 0xDC00 + 0x10000`

下面的正则表达式可以识别所有UTF-16字符。

([\0-\uD7FF\uE000-\uFFFF]|[\uD800-\uDBFF][\uDC00-\uDFFF])
由于JavaScript引擎（严格说是ES5规格）不能自动识别辅助平面（编号大于0xFFFF）的Unicode字符，导致所有字符串处理函数遇到这类字符，都会产生错误的结果。如果要完成字符串相关操作，就必须判断字符是否落在0xD800到0xDFFF这个区间。

下面是能够正确处理字符串遍历的函数。

`function` `getSymbols(string) {`
`var` `length = string.length;`
`var` `index = -1;`
`var` `output = [];`
`var` `character;`
`var` `charCode;`
`while` `(++index < length) {`
`character = string.charAt(index);`
`charCode = character.charCodeAt(0);`
`if` `(charCode >= 0xD800 && charCode <= 0xDBFF) {`
`output.push(character + string.charAt(++index));`
`}` `else` `{`
`output.push(character);`
`}`
`}`
`return` `output;`
`}`
`var` `symbols = getSymbols(``'𝌆'``);`
`symbols.forEach(``function``(symbol) {`
`// 
`});`

替换（String.prototype.replace）、截取子字符串（String.prototype.substring, String.prototype.slice）等其他字符串操作，都必须做类似的处理。

Base64转码 Base64是一种编码方法，可以将任意字符转成可打印字符。使用这种编码方法，主要不是为了加密，而是为了不出现特殊字符，简化程序的处理。
JavaScript原生提供两个Base64相关方法。

*   btoa()：字符串或二进制值转为Base64编码
*   atob()：Base64编码转为原来的编码
`var` `string =` `'Hello World!'``;`
`btoa(string)` `// "SGVsbG8gV29ybGQh"`
`atob(``'SGVsbG8gV29ybGQh'``)` `// "Hello World!"`

这两个方法不适合非ASCII码的字符，会报错。

`btoa(``'你好'``)`
`// Uncaught DOMException: The string to be encoded contains characters outside of the Latin1 range.`

要将非ASCII码字符转为Base64编码，必须中间插入一个转码环节，再使用这两个方法。

`function` `b64Encode(str) {`
`return` `btoa(encodeURIComponent(str));`
`}`
`function` `b64Decode(str) {`
`return` `decodeURIComponent(atob(str));`
`}`
`b64Encode(``'你好'``)` `// "JUU0JUJEJUEwJUU1JUE1JUJE"`
`b64Decode(``'JUU0JUJEJUEwJUU1JUE1JUJE'``)` `// "你好"`

了解更多