欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

解析JavaScript中的字符串类型与字符编码支持

程序员文章站 2022-06-29 21:18:44
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...

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";

longstring
// "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"