kangkk

BACK HOME

字符编码

转义字符串(Escape Sequence[1]),又简称为Universal Multiple-Octet Coded Character Set(Unicode,UCS)编码转义,字符实体(Character Entity[2])分成三部分:第一部分是一个&符号,英文叫ampersand;第二部分是实体(Entity)名字或者是#加上实体(Entity)编号;第三部分是一个分号。

HTML 4.01 支持 ISO 8859-1 (Latin-1) 字符集,也就是本文下面Unicode字符列表中的U+00A0-00FF 拉丁文补充1

JavaScript特殊字符转义字符对照表

Unicode字符值 转义序列 含义 类别
\u0008 \b Backspace
\u0009 \t Tab 空白
\u000A \n 换行符(换行) 行结束符
\u000B \v 垂直制表符 空白
\u000C \f 换页 空白
\u000D \r 回车 行结束符
\u0020 空格 空白
\u0022 \" 双引号 (")
\u0027 \' 单引号 (')
\u005C \ 反斜杠 ()
\u00A0 不间断空格 空白
\u2028 行分隔符 行结束符
\u2029 段落分隔符 行结束符
\uFEFF 字节顺序标记 空白

在Web前端开发中常会遇到\uXXXX格式表示的字符,这里有一个解码的实现代码:

var test = "你好,'hello world'。";
function decode(s) {
    return unescape(s.replace(/\\(u[0-9a-fA-F]{4})/gm, '%$1'));
}
function encode1(s) {
    return escape(s).replace(/%(u[0-9A-F]{4})|(%[0-9A-F]{2})/gm, function($0, $1, $2) {
        return $1 && '\\' + $1.toLowerCase() || unescape($2);
    });
}
console.log(encode1(test))
==> "\u4f60\u597d\uff0c'hello world'\u3002"

这里的encode1函数并没有将所有字符完全解码,所以还可以参考另一种解码思路:

var test = "你好,'hello world'。",
  str = "";
for( i=0;    i<test.length; i++ ){
  var temp = test.charCodeAt(i).toString(16);
  str += "\\u"+ new Array(5-String(temp).length).join("0") +temp;
}
console.log (str)
==> '\u4f60\u597d\uff0c\u0027\u0068\u0065\u006c\u006c\u006f\u0020\u0077\u006f\u0072\u006c\u0064\u0027\u3002'

Unicode

Unicode img

Unicode(统一码、万国码、单一码)是计算机科学领域里的一项业界标准,包括字符集、编码方案等。Unicode 是为了解决传统的字符编码方案的局限而产生的,它为每种语言中的每个字符设定了统一并且唯一的二进制编码,以满足跨语言、跨平台进行文本转换、处理的要求。1990年开始研发,1994年正式公布。[3]

基本拉丁文

基本多文种平面(Basic Multilingual Plane, BMP[4]),或称第零平面或零号平面(Plane 0),是Unicode中的一个编码区段。编码从U+0000至U+FFFF,每个写着数字的格子代表256个码点。

Basic Multilingual Plane img

详细的unicode编码列表可以参考我整理的unicode 列表(由于内容较多,而我又是在前端浏览器上加载marked.js[5]进行渲染markdown的,所以可能页面会加载很慢)。

References