位置: 编程技术 - 正文

浅谈Unicode与JavaScript的发展史(java中主要使用unicode编码方式)

编辑:rootadmin

推荐整理分享浅谈Unicode与JavaScript的发展史(java中主要使用unicode编码方式),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:java中的unicode编码,java中unicode,java中unicode编码表,java中unicode编码转换成中文,java中unicode编码表,java中unicode占几个字节,unicode java,java中unicode什么意思,内容如对您有帮助,希望把文章链接给更多的朋友!

一、Unicode是什么?

Unicode源于一个很简单的想法:将全世界所有的字符包含在一个集合里,计算机只要支持这一个字符集,就能显示所有的字符,再也不会有乱码了。

它从0开始,为每个符号指定一个编号,这叫做"码点"(codepoint)。比如,码点0的符号就是null(表示所有二进制位都是0)。

上式中,U+表示紧跟在后面的十六进制数是Unicode的码点。

目前,Unicode的最新版本是7.0版,一共收入了个符号,其中的中日韩文字为个。可以近似认为,全世界现有的符号当中,三分之二以上来自东亚文字。比如,中文"好"的码点是十六进制的D。

这么多符号,Unicode不是一次性定义的,而是分区定义。每个区可以存放个()字符,称为一个平面(plane)。目前,一共有个()平面,也就是说,整个Unicode字符集的大小现在是。

最前面的个字符位,称为基本平面(缩写BMP),它的码点范围是从0一直到-1,写成进制就是从U+到U+FFFF。所有最常见的字符都放在这个平面,这是Unicode最先定义和公布的一个平面。

剩下的字符都放在辅助平面(缩写SMP),码点范围从U+一直到U+FFFF。

二、UTF-与UTF-8

Unicode只规定了每个字符的码点,到底用什么样的字节序表示这个码点,就涉及到编码方法。

最直观的编码方法是,每个码点使用四个字节表示,字节内容一一对应码点。这种编码方法就叫做UTF-。比如,码点0就用四个字节的0表示,码点D就在前面加两个字节的0。

UTF-的优点在于,转换规则简单直观,查找效率高。缺点在于浪费空间,同样内容的英语文本,它会比ASCII编码大四倍。这个缺点很致命,导致实际上没有人使用这种编码方法,HTML5标准就明文规定,网页不得编码成UTF-。

人们真正需要的是一种节省空间的编码方法,这导致了UTF-8的诞生。UTF-8是一种变长的编码方法,字符长度从1个字节到4个字节不等。越是常用的字符,字节越短,最前面的个字符,只使用1个字节表示,与ASCII码完全相同。

编号范围字节0x - 0xFx - 0xFFx - 0xFFFFx - 0xFFFF4

由于UTF-8这种节省空间的特性,导致它成为互联网上最常见的网页编码。不过,它跟今天的主题关系不大,我就不深入了,具体的转码方法,可以参考我多年前写的《字符编码笔记》。

三、UTF-简介

UTF-编码介于UTF-与UTF-8之间,同时结合了定长和变长两种编码方法的特点。

它的编码规则很简单:基本平面的字符占用2个字节,辅助平面的字符占用4个字节。也就是说,UTF-的编码长度要么是2个字节(U+到U+FFFF),要么是4个字节(U+到U+FFFF)。

于是就有一个问题,当我们遇到两个字节,怎么看出它本身是一个字符,还是需要跟其他两个字节放在一起解读?

说来很巧妙,我也不知道是不是故意的设计,在基本平面内,从U+D到U+DFFF是一个空段,即这些码点不对应任何字符。因此,这个空段可以用来映射辅助平面的字符。

具体来说,辅助平面的字符位共有个,也就是说,对应这些字符至少需要个二进制位。UTF-将这位拆成两半,前位映射在U+D到U+DBFF(空间大小),称为高位(H),后位映射在U+DC到U+DFFF(空间大小),称为低位(L)。这意味着,一个辅助平面的字符,被拆成两个基本平面的字符表示。

所以,当我们遇到两个字节,发现它的码点在U+D到U+DBFF之间,就可以断定,紧跟在后面的两个字节的码点,应该在U+DC到U+DFFF之间,这四个字节必须放在一起解读。

四、UTF-的转码公式

Unicode码点转成UTF-的时候,首先区分这是基本平面字符,还是辅助平面字符。如果是前者,直接将码点转为对应的十六进制形式,长度为两字节。

如果是辅助平面字符,Unicode 3.0版给出了转码公式。

以字符为例,它是一个辅助平面字符,码点为U+1D,将其转为UTF-的计算过程如下。

所以,字符的UTF-编码就是0xD DF,长度为四个字节。

五、JavaScript使用哪一种编码?

JavaScript语言采用Unicode字符集,但是只支持一种编码方法。

这种编码既不是UTF-,也不是UTF-8,更不是UTF-。上面那些编码方法,JavaScript都不用。

JavaScript用的是UCS-2!

六、UCS-2编码

怎么突然杀出一个UCS-2?这就需要讲一点历史。

互联网还没出现的年代,曾经有两个团队,不约而同想搞统一字符集。一个是年成立的Unicode团队,另一个是年成立的UCS团队。等到他们发现了对方的存在,很快就达成一致:世界上不需要两套统一字符集。

年月,两个团队决定合并字符集。也就是说,从今以后只发布一套字符集,就是Unicode,并且修订此前发布的字符集,UCS的码点将与Unicode完全一致。

UCS的开发进度快于Unicode,年就公布了第一套编码方法UCS-2,使用2个字节表示已经有码点的字符。(那个时候只有一个平面,就是基本平面,所以2个字节就够用了。)UTF-编码迟至年7月才公布,明确宣布是UCS-2的超集,即基本平面字符沿用UCS-2编码,辅助平面字符定义了4个字节的表示方法。

浅谈Unicode与JavaScript的发展史(java中主要使用unicode编码方式)

两者的关系简单说,就是UTF-取代了UCS-2,或者说UCS-2整合进了UTF-。所以,现在只有UTF-,没有UCS-2。

七、JavaScript的诞生背景

那么,为什么JavaScript不选择更高级的UTF-,而用了已经被淘汰的UCS-2呢?

答案很简单:非不想也,是不能也。因为在JavaScript语言出现的时候,还没有UTF-编码。

年5月,BrendanEich用了天设计了JavaScript语言;月,第一个解释引擎问世;次年月,Netscape正式向ECMA提交语言标准(整个过程详见《JavaScript诞生记》)。对比UTF-的发布时间(年7月),就会明白Netscape公司那时没有其他选择,只有UCS-2一种编码方法可用!

八、JavaScript字符函数的局限

由于JavaScript只能处理UCS-2编码,造成所有字符在这门语言中都是2个字节,如果是4个字节的字符,会当作两个双字节的字符处理。JavaScript的字符函数都受到这一点的影响,无法返回正确结果。

还是以字符为例,它的UTF-编码是4个字节的0xDDF。问题就来了,4个字节的编码不属于UCS-2,JavaScript不认识,只会把它看作单独的两个字符U+D和U+DF。前面说过,这两个码点是空的,所以JavaScript会认为是两个空字符组成的字符串!

上面代码表示,JavaScript认为字符的长度是2,取到的第一个字符是空字符,取到的第一个字符的码点是0xDB。这些结果都不正确!

解决这个问题,必须对码点做一个判断,然后手动调整。下面是正确的遍历字符串的写法。

上面代码表示,遍历字符串的时候,必须对码点做一个判断,只要落在0xD到0xDBFF的区间,就要连同后面2个字节一起读取

类似的问题存在于所有的JavaScript字符操作函数。

String.prototype.replace()

String.prototype.substring()

String.prototype.slice()

...

上面的函数都只对2字节的码点有效。要正确处理4字节的码点,就必须逐一部署自己的版本,判断一下当前字符的码点范围。

九、ECMAScript 6

JavaScript的下一个版本ECMAScript 6(简称ES6),大幅增强了Unicode支持,基本上解决了这个问题。

(1)正确识别字符

ES6可以自动识别4字节的码点。因此,遍历字符串就简单多了。

但是,为了保持兼容,length属性还是原来的行为方式。为了得到字符串的正确长度,可以用下面的方式。

(2)码点表示法

JavaScript允许直接用码点表示Unicode字符,写法是"反斜杠+u+码点"。

但是,这种表示法对4字节的码点无效。ES6修正了这个问题,只要将码点放在大括号内,就能正确识别。

(3)字符串处理函数

ES6新增了几个专门处理4字节码点的函数。

String.fromCodePoint():从Unicode码点返回对应字符

String.prototype.codePointAt():从字符返回对应的码点

String.prototype.at():返回字符串给定位置的字符

(4)正则表达式

ES6提供了u修饰符,对正则表达式添加4字节码点的支持。

(5)Unicode正规化

有些字符除了字母以外,还有附加符号。比如,汉语拼音的&#;,字母上面的声调就是附加符号。对于许多欧洲语言来说,声调符号是非常重要的。

Unicode提供了两种表示方法。一种是带附加符号的单个字符,即一个码点表示一个字符,比如&#;的码点是U+D1;另一种是将附加符号单独作为一个码点,与主体字符复合显示,即两个码点表示一个字符,比如&#;可以写成O(U+F)+ ˇ(U+C)。

这两种表示方法,视觉和语义都完全一样,理应作为等同情况处理。但是,JavaScript无法辨别。

ES6提供了normalize方法,允许"Unicode正规化",即将两种方法转为同样的序列。

关于ES6的更多介绍,请看《ECMAScript 6入门》。

javascript数据类型示例分享 前面我们介绍了javascript的数据类型,今天我们通过一些例子再来温故一下,希望大家能够达到知新的地步。scripttype="text/javascript"//1、Boolean类型//2、Numbe

Javascript基础教程之函数对象和属性 包含在对象里的数据可以通过两种方式来访问既属性的对象(property)和方法(method)属性是隶属于某个特定对象的变量,方法则是某个特定对象才能调运的

DOM基础教程之使用DOM 在了解DOM(文本对象模型)的框架和节点后,最重要的是使用这些节点处理html网页对于一个DOM节点node,都有一系列的属性和方法可以使用。常用的有下表

标签: java中主要使用unicode编码方式

本文链接地址:https://www.jiuchutong.com/biancheng/383864.html 转载请保留说明!

上一篇:Javascript基础教程之break和continue语句(javascript基础教程答案)

下一篇:javascript数据类型示例分享(JavaScript数据类型分为哪两大类)

  • 个人买车交增值税吗
  • 什么情况下可以领取失业保险金
  • 公司注册实缴资金能取出吗
  • 小微企业月开票超15万季度未超45万
  • 建筑公司包工包料账务处理
  • 应收账款和应付账款可以抵消吗
  • 销货退回的税务处理
  • 投资性房地产出售的会计处理
  • 增值税调整收入税额差额怎么写
  • 股东以外的人投资怎么做账
  • 外商独资企业在分配利润时是否扣缴个税
  • 税收和税法是什么关系
  • 或有负债怎么入账
  • 长期股权投资的交易费用计入哪里
  • 固定资产抵扣对账怎么算
  • 别人退保证金多久能到账
  • 企业的固定资产因自然灾害产生的净损失应计入哪里
  • 收款费用明细表
  • 使用简易计税方法是什么意思
  • 红字记账的四种登记方式
  • 邮局劳务费发票几个点
  • 出租车车票能进高铁站吗
  • 税务异常不处理会的后果
  • 认证费用计入什么账户
  • 防暑降温用品进什么科目
  • 公司买厨房用品计入什么科目
  • 应交增值税未认证怎么办
  • 电脑休眠和睡眠什么差别
  • edge浏览器设置主页网址
  • linux常用命令make
  • Linux系统中怎么定位到java代码的方法级
  • 曼哈顿2021
  • 查补的增值税能抵留抵吗
  • 非货币性资产投资的会计处理
  • 在anaconda下安装python
  • phpscanf
  • php中关键字修饰属性是什么
  • 企业长期资金的筹集方式
  • php的了解
  • 马萨诸塞 下架
  • 劳务报酬已扣税是否需报个税
  • html流光按钮
  • react js 教程
  • vue3.0 vite
  • 选择相邻兄弟需要使用下列哪个符号
  • 托收的收款人是谁
  • 报表里主营业务怎么填
  • 哪些情况可以免征个人所得税
  • 退货开具红字发票说明
  • ibm.data.db2
  • 为什么应付账款不被视为债务融资
  • sql3表连接查询
  • 金税四期介绍 王军
  • 医院哪些地方需要有明显的禁烟标识
  • 公司老板个人卡收支公司业务属于什么行为
  • 网吧的收入怎么做账
  • 房屋出租要交的税有哪些
  • 企业材料物资的采购费用包括
  • 什么是记账凭证?有哪些分类
  • xp系统如何加速
  • Windows 7(x64)下安装Ubuntu12.4的方法
  • windows xp登录无法进入桌面
  • win7系统的虚拟内存在哪里
  • winxp系统怎么设置开机密码
  • linux shell 数字转字符串
  • win7开机无法连接所有网络驱动器
  • usb转串口的接线方法
  • win10无法启动diagnostic policy service
  • NGUI字体图集导致Label文字破碎的BUG以及解决方案
  • excel初始化时出错
  • javascript正则匹配两个点
  • bootstrap-
  • javascript+HTML5自定义元素播放焦点图动画
  • unity控制组件开关
  • jquery设置定时器
  • python爬虫快速入门
  • 编写javascript代码
  • python日志文件
  • 国税局征收的税种有哪些?
  • 企业改制相关文件
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设