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

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。

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