UTF8和UNICODE的关系及转换规则（字库篇一）

UNICODE

Unicode是ASCII和Latin-1的超集，并支持地球上几乎所有的语言。

UTF-8

UTF-8（UTF8-bit Unicode Transformation Format）是一种针对Unicode的可变长度字符编码，也是一种前缀码。

它可以用来表示Unicode标准中的任何字符，且其编码中的第一个字节仍与ASCII兼容，这使得原来处理ASCII字符的软件无须或只须做少部分修改，即可继续使用。因此，它逐渐成为电子邮件、网页及其他存储或发送文字的应用中，优先采用的编码。

目前大部分的网站，都是使用的UTF-8编码。

Unicode编码字符串转为UTF-8编码的字符串

例如发送一段二进制到服务器时，服务器规定该二进制内容的编码必须为UTF-8。这种情况下，我们必须就要通过程序将javascript的Unicode字符串转为UTF-8编码的字符串。

转换方法

转换之前我们必须了解Unicode的编码结构是固定的。
不信可以试一试 String 的 charCodeAt 这个方法，看看返回的 charCode 占几个字节。

英文占1个字符，汉字占2个字符

然而，UTF-8的编码结构长度是根据某单个字符的大小来决定长度有多少。
下面为单个字符的大小占用几个字节。单个unicode字符编码之后的最大长度为6个字节。

1个字节：Unicode码为0 - 127

2个字节：Unicode码为128 - 2047

3个字节：Unicode码为2048 - 0xFFFF

4个字节：Unicode码为65536 - 0x1FFFFF

5个字节：Unicode码为0x200000 - 0x3FFFFFF

6个字节：Unicode码为0x4000000 - 0x7FFFFFFF

具体请看图片：

因为英文和英文字符的Unicode码为0 - 127，所以英文在Unicode和UTF-8中的长度和字节都是一致的，只占用1个字节。这也就是为什么UTF8是Unicode的超集！

现在我们再来讨论汉字，因为汉字的unicode码区间为0x2e80 - 0x9fff, 所以汉字在UTF8中的长度最长为3个字节。

那么汉字是如何从Unicode的2个字节转换为UTF8的三个字节的哪？

假设我需要把汉字"中"转为UTF-8的编码

1、获取汉字Unicode值大小

var str = '中';
var charCode = str.charCodeAt(0);
console.log(charCode); // => 20013

2、根据大小判断UTF8的长度

由上一步我们得到汉字"中"的charCode为20013.然后我们发现20013位于2048 - 0xFFFF这个区间里，所以汉字"中"应该在UTF8中占3个字节。

3、补码

既然知道汉字"中"需要占3个字节，那么这3个字节如何得到哪？

这就需要设计到补码，具体补码逻辑如下：

好吧，我知道这个图你们也看不明白，还是我来讲吧！

具体的补位码如下,"x"表示空位，用来补位的。

0xxxxxxx

110xxxxx 10xxxxxx

1110xxxx 10xxxxxx 10xxxxxx

11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

warning:有没有发现？补位码第一个字节前面有几个1就表示整个UTF-8编码占多少个字节！UTF-8解码为Unicode就是利用的这个特点哦～

我们先举个简单的例子。把英文字母"A"转为UTF8编码。
1、“A”的charCode为65
2、65位于0-127的区间，所以“A”占一个字节
3、UTF8中一个字节的补位为0xxxxxxx，x表示的是空位，是用来补位的。
4、将65转为二进制得到1000001
5、将1000001按照从前到后的顺序，依次补到0xxxxxxx的空位中，得到01000001
6、将01000001转为字符串，得到"A"
7、最终，"A"为UTF8编码之后“A”

通过这个小例子，我们是否再次验证了UTF-8是Unicode的超集！

好了，我们现在再回到汉字"中"上，之前我们已经得到了"中"的charCode为20013，二进制为01001110 00101101。具体如下：

var code = 20013;
code.toString(2);
// => 100111000101101 等同于 01001110 00101101

然后，我们按照上面“A”补位的方法，来给"中"补位。
将01001110 00101101按照从前到后的顺序依此补位到1110xxxx 10xxxxxx 10xxxxxx上.得到11100100 10111000 10101101.

4、得到UTF8编码的内容

通过上面的步骤，我们得到了"中"的三个UTF8字节，11100100 10111000 10101101。
我们将每个字节转为16进制，得到0xE4 0xB8 0xAD;
那么这个0xE4 0xB8 0xAD就是我们最终得到的UTF8编码了。

我们使用nodejs的buffer来验证一下是否正确。

var buffer = new Buffer('中');
console.log(buffer.length); // => 3
console.log(buffer); // => <Buffer e4 b8 ad>
// 最终得到三个字节 0xe4 0xb8 0xad

因为16进制是不分大小写的，所以是不是跟我们算出来0xE4 0xB8 0xAD一模一样。

将上面的编码逻辑写到一个函数中。

// 将字符串格式化为UTF8编码的字节
var writeUTF = function (str, isGetBytes) {var back = [];var byteSize = 0;for (var i = 0; i < str.length; i++) {var code = str.charCodeAt(i);if (0x00 <= code && code <= 0x7f) {byteSize += 1;back.push(code);} else if (0x80 <= code && code <= 0x7ff) {byteSize += 2;back.push((192 | (31 & (code >> 6))));back.push((128 | (63 & code)))} else if ((0x800 <= code && code <= 0xd7ff) || (0xe000 <= code && code <= 0xffff)) {byteSize += 3;back.push((224 | (15 & (code >> 12))));back.push((128 | (63 & (code >> 6))));back.push((128 | (63 & code)))}}for (i = 0; i < back.length; i++) {back[i] &= 0xff;}if (isGetBytes) {return back}if (byteSize <= 0xff) {return [0, byteSize].concat(back);} else {return [byteSize >> 8, byteSize & 0xff].concat(back);}
}writeUTF('中'); // =>  [0, 3, 228, 184, 173]
// 前两位表示后面utf8字节的长度。因为长度为3，所以前两个字节为`0，3`
// 内容为`228, 184, 173`转成16进制就是`0xE4 0xB8 0xAD`

// 读取UTF8编码的字节，并专为Unicode的字符串
var readUTF = function (arr) {if (typeof arr === 'string') {return arr;}var UTF = '', _arr = this.init(arr);for (var i = 0; i < _arr.length; i++) {var one = _arr[i].toString(2),v = one.match(/^1+?(?=0)/);if (v && one.length == 8) {var bytesLength = v[0].length;var store = _arr[i].toString(2).slice(7 - bytesLength);for (var st = 1; st < bytesLength; st++) {store += _arr[st + i].toString(2).slice(2)}UTF += String.fromCharCode(parseInt(store, 2));i += bytesLength - 1} else {UTF += String.fromCharCode(_arr[i])}}return UTF
}readUTF([0, 3, 228, 184, 173]); => '中'

另外一种将中文解析得到UTF8字节码的方法

另外一种比较简单的将中文转为UTF8字节码的方法比较简单，浏览器也提供了一个方法，而且这个方法大家都一直在用，是什么哪？就是encodeURI。当然，encodeURIComponent也是可以的。
没错，就是这个方法。那么这个方法是怎么将一个Unicode编码的中文转为UTF8的字节码嘞？

var str = '中';var code = encodeURI(str);console.log(code); // => %E4%B8%AD

有没有发现得到了一个转义后的字符串，而且这个字符串中的内容和我之前在上面得到的字节码是一样的～～～。

下面我们将%E4%B8%AD转为一个number数组。

var codeList = code.split('%');codeList = codeList.map(item => parseInt(item,16));console.log(codeList); // => [228, 184, 173]

如此简单，有木有～～～

这个简便方法的原理是什么？

这里就涉及到的URI中的querystring编码的问题了。因为按照规定，URI中的querystring必须按照UTF8的编码进行传输，而JavaScript是Unicode的，所以浏览器就给我们提供了一个方法，也就是encodeURI/encodeURIComponent方法。这个方法会讲非英文字符(这里考虑下，为什么是非英文字符？)先转为UTF8的字节码，然后前面加个%进行拼接，所以我们将汉字"中"转义下便得到了"%E4%B8%AD".
好吧，原理就这些，没有其他的了。

不过，这种方法还有个缺点，那就是只会转义非英文字符，所以当我们需要将英文字符也格式化为UTF8编码时，这个方法是达不到我们需求的，我们还需要额外的将英文字符也给转义下。

那我想要解析回来应该怎么做哪？用decodeURI/decodeURIComponent就可以了。

var codeList = [228, 184, 173];var code = codeList.map(item => '%'+item.toString(16)).join('');decodeURI(code); // => 中

好了，到这里本文也就介绍完UTF8的编码了。
希望可以帮助大家了解到UTF-8编码的原理。