Better

Ethan的博客,欢迎访问交流

escape、encodeURI、encodeURIComponent

一直对这个都十分困扰,今天重新看了看

ASCII、Unicode、UTF-8

ASCII 是美国制定的一套字符编码,对英语字符与二进制位之间的关系,做了统一的规定。

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。

英语用 128 个符号编码就够了,但对于其他语言来说是不够。比如汉子多达 10 万左右,一个字节只能表示 256 中符号,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子,所以理论上最多可以表示 256*256 = 65536 个符号。

由于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。

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 只是一个符号集,它只规定了符号的二进制代码,却没有规定这个二进制代码应该如何存储

汉字 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。

Unicode 存在的问题

  • 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?
  • 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。

造成的结果就是出现了 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。Unicode 在很长一段时间内无法推广,直到互联网的出现。

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。

UTF-8 是 Unicode 的实现方式之一。

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 编码规则

  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。

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。

为什么需要

三者的基本功能都是把 URI 非法字符转化成合法字符。

在处理 0xff 以内字符时,编码方式是一样的(都是「%XX」,XX为字符的 16 进制 unicode,同时也是字符的 UTF-8),只是范围(即哪些字符编码哪些字符不编码)不一样。

在处理 0xff 之外字符的时候,escape 和 encodeURI 有区别

  • escape:在处理 0xff 之外字符的时候,直接使用字符的 unicode 在前面加上 %u
  • encodeURI:在处理 0xff 之外字符的时候,则是先进行 UTF-8,再在 UTF-8 的每个字节码前加上 %

而 encodeURI 和 encodeURIComponent 的区别在于需要转义的字符范围不一样。

为什么 URI 需要编码,主要原因是 URI 有规范。比如 = 和 & 符号,服务端认定这些字符为分隔符,从而得到参数 K-V 键值对,但是如果参数值中本身就包含 = 或 & 等特殊字符,就会导致解析出错。举个例子

比如说“name1=value1”,其中 value1 的值是“va&lu=e1”字符串,那么实际在传输过程中就会变成这样“name1=va&lu=e1”。我们的本意是就只有一个键值对,但是服务端会解析成两个键值对,这样就产生了奇异。

解决的办法就是对参数进行 URL 编码,URL 编码只是简单的在特殊字符的各个字节前加上 %,例如,我们对上述会产生奇异的字符进行 URL 编码后结果:“name1=va%26lu%3D”,这样服务端会把紧跟在 % 后的字节当成普通的字节,就是不会把它当成各个参数或键值对的分隔符。

使用场景

首先 escape 已经被废弃,使用 encodeURI 和 encodeComponent 替代。所以请直接忘记它吧

encodeURI 设计用来编码整个 URL 字符串,于是 URL 中的功能字符,比如 &, ?, /, = 等等这些并不会被转义。

encodeURIComponent 设计来对一个 URL 中的值进行转义,会把这些功能字符也进行转义。

encodeURIComponent 的编码范围比 encodeURI 要大,这也是为什么不能用来编码整个 URL 的原因。

const arr = Array(256)
    .fill(0)
    .map((_, i) => String.fromCharCode(i))
    .filter(c => encodeURI(c) != encodeURIComponent(c));

arr.forEach(c => console.log(c, encodeURI(c), encodeURIComponent(c)));

如果使用 encodeURIComponent 编码整个 URI 会导致 URI 不能被浏览器正常访问,最典型的就是连 "/" 都被编码了

打印结果为

# # %23
$ $ %24
& & %26
+ + %2B
, , %2C
/ / %2F
: : %3A
; ; %3B
= = %3D
? ? %3F

资料



留言