字符编码-ASCII，Unicode 、 UTF-8、UTF-16、UTF-32

ASCII 码

我们知道，计算机内部，所有信息最终都是一个二进制值。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从00000000到11111111。

上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为 ASCII 码，一直沿用至今。

ASCII 码一共规定了128个字符的编码，比如空格SPACE是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的一位统一规定为0。

非 ASCII 编码

英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用 ASCII 码表示。于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。

但是，这里又出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。比如，130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel(ג)，在俄语编码中又会代表另一个符号。但是不管怎样，所有这些编码方式中，0--127表示的符号是一样的，不一样的只是128--255的这一段。

至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是 GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示 256 x 256 = 65536 个符号。

中文编码的问题需要专文讨论，这篇笔记不涉及。这里只指出，虽然都是用多个字节表示一个符号，但是GB类的汉字编码与后文的 Unicode 和 UTF-8 是毫无关系的。

Unicode

正如上一节所说，世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。

可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是 Unicode，就像它的名字都表示的，这是一种所有符号的编码。

Unicode 当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样，比如，U+0639 表示阿拉伯字母 Ain，U+0041 表示英语的大写字母 A，U+4E25 表示汉字严。具体的符号对应表，可以查询unicode.org，或者专门的汉字对应表。

Unicode 的问题

Unicode 统一了所有字符的编码，是一个 Character Set，也就是字符集，字符集只是给所有的字符一个唯一编号，但是却没有规定如何存储。

比如，汉字严的 Unicode 是十六进制数 4E25，转换成二进制数足足有15位（100111000100101），也就是说，这个符号的表示至少需要2个字节，表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多，用什么规则存储 Unicode 字符就成了关键。

将 Unicode 编码转换为二进制表示形式的逻辑如下：

将 Unicode 编码转换为十六进制表示形式。对于严的 Unicode 编码 4E25，它的十六进制表示为 0x4E25。

将十六进制数转换为二进制数，每个十六进制数对应四位二进制数。对于 4E25，将每个十六进制数转换为四位二进制数：

   4 转换为二进制为 0100
   E 转换为二进制为 1110
   2 转换为二进制为 0010
   5 转换为二进制为 0101

将以上二进制数连接起来，得到 0100111000100101。

注意：如果 Unicode 编码超过四位二进制数（例如超过 U+FFFF），需要使用更多的位数进行表示。

这里就有两个严重的问题，第一个问题是，如何才能区别 Unicode 和 ASCII ？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果 Unicode 统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。

它们造成的结果是：1）出现了 Unicode 的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示 Unicode。2）Unicode 在很长一段时间内无法推广，直到互联网的出现。

UTF-8

随着互联网的普及，强烈要求出现一种统一的编码方式。UTF-8 就是在互联网上使用最广的一种 Unicode 的实现方式。其他实现方式还包括 UTF-16（字符用两个字节或四个字节表示）和 UTF-32（字符用四个字节表示），不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8 是 Unicode 的实现方式之一，但是它们的编码规则还是不一样的。

UTF-8 最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。

UTF-8 的编码规则很简单，只有二条：

1）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。

2）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。

下表总结了编码规则，字母x表示可用编码的位。

Unicode符号范围 | UTF-8编码方式

(十六进制)	（二进制）
0000 0000-0000 007F（U+0000 到 U+007F）	0xxxxxxx
0000 0080-0000 07FF（U+0080 到 U+07FF）	110xxxxx 10xxxxxx
0000 0800-0000 FFFF（U+0800 到 U+FFFF）	1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF（U+10000 到 U+10FFFF）	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

跟据上表，解读 UTF-8 编码非常简单。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。

下面，还是以汉字严为例，演示如何实现 UTF-8 编码。

严的 Unicode 是4E25（100 1110 0010 0101），根据上表，可以发现 4E25 的范围在 U+0800 到 U+FFFF 之间，因此需要使用 3 个字节进行编码，即格式是1110xxxx 10xxxxxx 10xxxxxx，其中每个 x 代表 Unicode 二进制表示的一部分。然后，从严的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，严的 UTF-8 编码是11100100 10111000 10100101，转换成十六进制就是E4B8A5。

在一些网站上可能还会看到&#x、&#开头的内容，例如：'身份证反面.jpg'，这是汉字的 Unicode 编码，&#后接十进制数字，&#x后接十六进制数字，例如严的 Unicode 可能表示成&#20005，将20005转化为二进制得到100111000100101。

UTF-16

UTF-16（Unicode Transformation Format-16）是一种Unicode字符编码方案，是Unicode标准的一种实现方式之一，它使用两个字节或四个字节表示来表示字符。

UTF-16 最初被设计为一种定长编码方案，即每个字符都使用16位来表示。这使得 UTF-16 可以直接处理 Unicode 字符集中的大多数字符，包括常见的字符和一些较为罕见的字符。对于较早期的 Unicode 版本，这种定长编码方案非常适用。

然而，随着 Unicode 标准的发展，字符数量超过了16位的范围，Unicode 收录的字符很快就超过了65536个。如果还想用定长编码似乎只能采取 UTF-32 这种编码方式了。可是这种方式最大的问题是即使是英文字母也要四个字节来存储，空间浪费太大了。所以 UTF-8 这种变长编码方式开始流行起来了，英文字母只需要一个字节，汉字三个字节。更古怪更稀有的字符可以用四个，五个或更多字节表示，因为使用频率低，所以空间浪费不大。当然定长编码的好处是可以快速定位字符，对于 string.charAt(index) 方法有着较好的支持。UTF-8 的话，就需要从头开始一个字符一个字符的解析才行，会慢一点。但是与查询定位相比，顺序输出的情况更多，所以平常也不会感受到效率会比较慢。

UTF-16 比起 UTF-8，好处在于大部分字符都以固定长度的字节（2字节）存储，对于ASCII字符，它们实际上只需要使用一个字节来表示，但UTF-16仍然使用两个字节来编码这些字符，导致 UTF-16 无法兼容 ASCII 编码。

UTF-32

UTF-32（Unicode Transformation Format-32）是一种 Unicode 字符编码方案，它使用32位（四个字节）来表示每个字符。与 UTF-8 和 UTF-16 不同，UTF-32 采用了定长编码，即每个字符都使用相同长度的编码单元。

UTF-32 的设计目标是为了提供一种简单直观的字符表示方式，每个字符都占用相同的空间，方便进行索引和处理。由于每个字符都使用32位，UTF-32 可以直接表示 Unicode 字符集中的所有码点，包括较为罕见的和辅助平面的字符。

相对于 UTF-8 和 UTF-16 ，UTF-32 确实存在一些空间浪费的问题，尤其是对于包含大量英文字母和其他 ASCII 字符的文本。因为 UTF-32 始终使用四个字节来表示每个字符，对于这些字符而言，它们实际上只需要较少的空间。

然而，UTF-32 在某些方面具有优势。由于字符长度固定，UTF-32 可以实现快速定位和随机访问，这对于某些特定的应用场景非常重要。例如，在某些文本处理操作中，使用 UTF-32 编码可以更高效地进行字符索引和处理。此外，UTF-32 也在一些操作系统和编程语言中作为内部字符串表示方式，因为它简化了字符处理的逻辑。

需要注意的是，UTF-32 在存储和传输上的空间占用较大，对于包含大量文本数据的应用，可能会导致存储需求和传输带宽的浪费。因此，对于大多数应用场景而言，UTF-8 仍然是更常见和更广泛使用的 Unicode 编码方案。

码点 与 码元

在字符编码中，"码元"和"码点"是两个相关但不同的概念。

码元（Code Unit）是计算机存储和处理字符编码时使用的最小单位。它表示编码方案中的一个单元，通常由一定数量的比特（位）组成。不同的字符编码方案使用不同大小的码元。例如，UTF-8 使用8位（一个字节）作为码元，UTF-16 使用16位（两个字节）作为码元，UTF-32 使用32位（四个字节）作为码元。

码点（Code Point）是字符编码中的抽象概念，表示字符集中的一个唯一字符。每个字符都有一个唯一的码点值，用于标识该字符。Unicode 字符集定义了一组字符，并为每个字符分配了一个唯一的码点值，通常用十六进制表示。例如，拉丁字母"A"的 Unicode 码点是 U+0041，中文字符"严"的 Unicode 码点是 U+4E25。

在某些编码方案中，一个码点可以由一个或多个码元来表示。例如，对于大多数常见的 Unicode 字符，UTF-8 和 UTF-16 使用一个码元来表示一个码点。但对于一些特定的字符，如 Emoji 表情符号或某些字符的复杂形状，可能需要使用多个码元来表示一个码点。

总结一下：

• 码元（Code Unit）是字符编码方案中的最小存储和处理单位，通常由一定数量的比特组成。
• 码点（Code Point）是字符编码中的抽象概念，表示字符集中的一个唯一字符，通常用十六进制表示。每个字符都有一个唯一的码点值。
• 一个码点可以由一个或多个码元来表示，具体取决于所使用的字符编码方案。

字符串截取导致的 BUG

我们可以看下面代码执行情况：

const str = "🍑🐶👋🉐🏠";

console.log(str.length); // 10
console.log(str[0]); // '\uD83C'
console.log(str.slice(1, 3)); // '\uDF51\uD83D'

我们可以看到预期的结果与实际输出不同，期望 str.length 输出字符的数量5，但输出的是10，期望 str[0] 输出第一个字符🍑，但输出的却是'\uD83C'，期望 str.slice(1, 3) 截取输出🐶👋，但输出的是'\uDF51\uD83D'

这是因为在 JavaScript 中，默认情况下，字符串被视为 Unicode 字符序列，并使用 UTF-16 编码方案进行表示，UTF-16 使用16位（两个字节）作为码元。绝大多数字符可以使用两个字节表示，然而，对于一些特殊字符，如 Emoji 表情字符，它们的码点需要使用多个码元来表示。

因此，当你使用 str.length 获取字符串长度时，它返回的是码元的数量，而不是实际字符的数量。对于包含 Emoji 表情字符的字符串，每个 Emoji 表情字符会被表示为两个码元，因此字符串的长度会大于你期望的字符数量。

类似地，当你使用下标访问字符串的特定字符时，它返回的是对应位置的码元，而不是完整的字符。这就解释了为什么str[0] 输出的是 \uD83C，它是 Emoji 表情字符🍑的第一个码元。

同样地，str.slice(1, 3) 截取的是码元的范围，而不是字符范围。因此，输出的结果是 \uDF51\uD83D，它是🐶和👋两个 Emoji 表情字符的码元序列。

String.prototype.pointLength = function() {
  let len = 0;
  for(let i = 0; i < this.length;) {
    const codePoint = this.codePointAt(i);
    i += codePoint > 0xffff ? 2 : 1;
    len++;
  }
  return len;
}

String.prototype.pointAt = function(index) {
  let currentIndex = 0;
  for(let i = 0; i < this.length;) {
    const codePoint = this.codePointAt(i);
    if (currentIndex === index) {
      return String.fromCodePoint(codePoint);
    }
    i += codePoint > 0xffff ? 2 : 1;
    currentIndex++;
  }
}

String.prototype.sliceByPoint = function(start = 0, end = this.pointLength()) {
  let results = "";
  for(let i = start; i < end; i++) {
    results += this.pointAt(i);
  }
  return results;
}

String 的 codePointAt(index) 方法返回一个非负整数，该整数是从给定索引开始的字符的 Unicode 码位值。

• 如果 index 超出了 0 – str.length - 1 的范围，codePointAt() 返回 undefined。
• 如果 index 处的元素是一个 UTF-16 前导代理（leading surrogate），则返回代理对的码位。
• 如果 index 处的元素是一个 UTF-16 后尾代理（trailing surrogate），则只返回后尾代理的码元。

在 Unicode 编码中，代理对（surrogate pair）是一种特殊的编码方式，用于表示超过16位的字符，如一些罕见的汉字和 Emoji 表情字符。代理对由一个 leading surrogate（高位代理项）和一个 trailing surrogate（低位代理项）组成。在 JavaScript 中，代理对字符被表示为两个编码单元（码元），leading surrogate 作为第一个编码单元，trailing surrogate 作为第二个编码单元。

当你遇到一个 leading surrogate 时，你通常需要结合它后面的 trailing surrogate 来处理它们作为一个完整的字符。例如，对于一个代理对字符，你需要将 leading surrogate 和 trailing surrogate 合并，才能得到正确的字符表示。

比如 Emoji 表情字符🍑，\uD83C 是它的 leading surrogate，所以 str[0] 会返回代理对的码位，也就是
\uD83C 与后续 trailing surrogate 组合表示的码点。

Unicode 与 UTF-8 之间的转换

通过上一节的例子，可以看到严的 Unicode码 是4E25，UTF-8 编码是E4B8A5，两者是不一样的。它们之间的转换可以通过程序实现。

Windows平台，有一个最简单的转化方法，就是使用内置的记事本小程序notepad.exe。打开文件后，点击文件菜单中的另存为命令，会跳出一个对话框，在最底部有一个编码的下拉条。

里面有四个选项：ANSI，Unicode，Unicode big endian和UTF-8。

1）ANSI是默认的编码方式。对于英文文件是ASCII编码，对于简体中文文件是GB2312编码（只针对 Windows 简体中文版，如果是繁体中文版会采用 Big5 码）。

2）Unicode编码这里指的是notepad.exe使用的 UCS-2 编码方式，即直接用两个字节存入字符的 Unicode 码，这个选项用的 little endian 格式。

3）Unicode big endian编码与上一个选项相对应。我在下一节会解释 little endian 和 big endian 的涵义。

4）UTF-8编码，也就是上一节谈到的编码方法。

选择完"编码方式"后，点击"保存"按钮，文件的编码方式就立刻转换好了。

Little endian 和 Big endian

上一节已经提到，UCS-2 格式可以存储 Unicode 码（码点不超过0xFFFF）。以汉字严为例，Unicode 码是4E25，需要用两个字节存储，一个字节是4E，另一个字节是25。存储的时候，4E在前，25在后，这就是 Big endian 方式；25在前，4E在后，这是 Little endian 方式。

这两个古怪的名称来自英国作家斯威夫特的《格列佛游记》。在该书中，小人国里爆发了内战，战争起因是人们争论，吃鸡蛋时究竟是从大头(Big-endian)敲开还是从小头(Little-endian)敲开。为了这件事情，前后爆发了六次战争，一个皇帝送了命，另一个皇帝丢了王位。

第一个字节在前，就是"大头方式"（Big endian），第二个字节在前就是"小头方式"（Little endian）。

那么很自然的，就会出现一个问题：计算机怎么知道某一个文件到底采用哪一种方式编码？

Unicode 规范定义，每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符的名字叫做"零宽度非换行空格"（zero width no-break space），用FEFF表示。这正好是两个字节，而且FF比FE大1。

如果一个文本文件的头两个字节是FE FF，就表示该文件采用大头方式；如果头两个字节是FF FE，就表示该文件采用小头方式。

实例

下面，举一个实例。

打开"记事本"程序notepad.exe，新建一个文本文件，内容就是一个严字，依次采用ANSI，Unicode，Unicode big endian和UTF-8编码方式保存。

然后，用文本编辑软件UltraEdit 中的"十六进制功能"，观察该文件的内部编码方式。

1）ANSI：文件的编码就是两个字节D1 CF，这正是严的 GB2312 编码，这也暗示 GB2312 是采用大头方式存储的。

2）Unicode：编码是四个字节FF FE 25 4E，其中FF FE表明是小头方式存储，真正的编码是4E25。

3）Unicode big endian：编码是四个字节FE FF 4E 25，其中FE FF表明是大头方式存储。

4）UTF-8：编码是六个字节EF BB BF E4 B8 A5，前三个字节EF BB BF表示这是UTF-8编码，后三个E4B8A5就是严的具体编码，它的存储顺序与编码顺序是一致的。

参考文章

http://www.ruanyifeng.com/blog/2007/10/ascii\_unicode\_and\_utf-8.html

https://blog.csdn.net/jayxujia123/article/details/24580103