js簡單實現utf8編碼和base64編碼

文章用JS簡單的實現UTF-8編碼和Base64編碼，閱讀本文可以了解Unicode 與 UTF-8 之間的轉換，了解Base64編碼為什么會使數據量變長。

概要：

• Unicode簡單了解
• UTF-8編碼
• Base64編碼
• 總結

Unicode，ASCII，GB2312編碼集合等，類似於字典。字符的編碼，類似於字典中的字在哪一頁哪一行。當不同系統用同一本字典查同一個編碼得到的字符會一致。

如下圖：

 1. Unicode簡單了解

wikipedia:

Unicode is a computing industry standard for the consistent encoding, representation, and handling of text expressed in most of the world's writing systems.

在創造Unicode之前各種語言有不同的編碼集合，ASCII,GB2312等也是發展過程中編碼集合，而且這些編碼集合相互沖突，給不同語言系統進行交流帶來了麻煩。因為兩種相同的字符在不同的編碼系統中可能有完全不同的意思。於是Unicode出現了，Unicode編碼集合給每個字符提供了一個唯一的數字，不論平台，程序，語言，Unicode 字符集因此被廣泛應用。

Javascript程序是用Unicode字符集編寫的， 字符串（string）中每個字符通常來自於Unicode 字符集。

Unicode 字符集類似於字典，字符就類似於字。字符的Unicode碼值，就類似於字在字典的第頁第幾行。

 2. utf8編碼

2.1為何有了Unicode字符集還需要 一個編碼來傳輸了？

因為Unicode 編碼轉換成二進制，是一串0，和1,傳輸個另一方的時候，需要一個規則來分割這一串0、1。

於是就出現了UTF-n 編碼們。

 8bit = 1byte

 資料

UTF（Universal Transformation Format，通用傳輸格式），其實就是不改變字符集中各個字符的代碼，建立一套新的編碼方式，把字符的代碼通過這個編碼方式映射成傳輸時的編碼，最主要的任務就是在使用Unicode字符集保持通用性的同時節約流量和硬盤空間。

存儲
Unicode是一個符號集，規定了符號的二進制代碼，沒有規定這個二進制代碼應該如何存儲（即占用多少個字節）所以出現了不同的存儲實現方式。
UTF-32

字符用四個字節表示

UTF-16

字符用兩個字節或四個字節表示

UTF-8

一種變長的編碼方式，根據需要用1~4個字節來表示字符，（按需傳遞節約流量和硬盤空間，因此UTF-8用的比較廣）

2.2UTF-8編碼規則

• 對於單字節的符號，字節的第一位設為0，后面7位為這個符號的 Unicode 碼。
• 對於n字節的符號（n > 1），第一個字節的前n位都設為1，第n+ 1位設為0，后面字節的前兩位設為10。剩下，全部為這個符號的 Unicode 編碼。

Unicode符號范圍 |  Unicode符號范圍     |        UTF-8編碼方式                   
 (十進制)       |  (十六進制)          |        （二進制）
---------------+----------------------+---------------------------------------------
0 ~ 127        | 0000 0000-0000 007F | 0xxxxxxx
128 ~ 2047     | 0000 0080-0000 07FF | 110xxxxx 10xxxxxx
2048 ~ 65535   | 0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
65536 ~1114111 | 0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

eg: 字符羅的UTF-8編碼

用codePointAt得到了字符的Unicode 編碼，確認用幾個字節表示，然后按照規則填充。

編碼流程：

資料補充：

ES6 提供了codePointAt()方法，能夠正確處理字節儲存的字符，返回一個字符的碼點（Unicode 編碼）。

ES6 提供了String.fromCodePoint()方法能正確處理一個碼點（Unicode 編碼），返回碼點（Unicode 編碼）對應的字符

2.3UTF-8編碼解碼簡單實現

function encodeUtf8(str) {
  var bytes = []
  for (ch of str) {
    // for...of循環，能正確識別 32 位的 UTF-16 字符， 可以查閱資料了解。
    let code = ch.codePointAt(0)
    if (code >= 65536 && code <= 1114111) {// 位運算， 補齊8位
      bytes.push((code >> 18) | 0xf0)
      bytes.push(((code >> 12) & 0x3f) | 0x80)
      bytes.push(((code >> 6) & 0x3f) | 0x80)
      bytes.push((code & 0x3f) | 0x80)
    } else if (code >= 2048 && code <= 65535) {
      bytes.push((code >> 12) | 0xe0)
      bytes.push(((code >> 6) & 0x3f) | 0x80)
      bytes.push((code & 0x3f) | 0x80)
    } else if (code >= 128 && code <= 2047) {
      bytes.push((code >> 6) | 0xc0)
      bytes.push((code & 0x3f) | 0x80)
    } else {
      bytes.push(code)
    }
  }
  return bytes
}
function padStart(str, len, prefix) {
  return ((new Array(len + 1).join(prefix)) + str).slice(-len) //  也可用 new Array(len+1).fill(0)
}
function decodeUtf8(str) {
  let strValue = ''
  let obStr = [...str].map((ch)=> {
    return padStart(parseInt(ch,16).toString(2), 4, 0)
  }).join('').match(/\d{8}/g).map((item)=> parseInt(item,2))
  for (var i = 0; i < obStr.length; ) {
    
    let code = obStr[i]
    let code1, code2, code3, code4, hex
    if ((code & 240) == 240) {
      code1 = (code & 0x03).toString(2)
      code2 = padStart((obStr[i + 1] & 0x3f).toString(2),6, '0')
      code3 = padStart((obStr[i + 2] & 0x3f).toString(2),6, '0')
      code4 = padStart((obStr[i + 3] & 0x3f).toString(2),6, '0')
      hex = parseInt((code1 + code2 + code3 + code4),2)
      strValue = strValue + String.fromCodePoint(hex)
      i = i + 4
    } else if ((code & 224) == 224) {
      code1 = (code & 0x07).toString(2)
      code2 = padStart((obStr[i + 1] & 0x3f).toString(2),6, '0')
      code3 = padStart((obStr[i + 2]& 0x3f).toString(2),6, '0')
      hex = parseInt((code1 + code2 + code3),2)
      strValue = strValue + String.fromCodePoint(hex)
      i = i + 3
    } else if ((code & 192) == 192) {
      code1 = (code & 0x0f).toString(2)
      code2 = padStart((obStr[i + 1] & 0x3f).toString(2),6, '0')
      hex = parseInt((obStr + code2),2)
      strValue = strValue + String.fromCodePoint(hex)
      i = i + 2
    } else {
      hex = code
      strValue = strValue + String.fromCodePoint(code)
      i = i + 1
    }
  }
  return strValue
}
function transferHex(bytes) {
  let s = ''
  bytes &&
    bytes.forEach(ch => {
      s = s + ch.toString(16)
    })
  return s
}
let text = "羅小步 啊哈哈 𠮷 ssdf 34534 ASD"
let strHax = transferHex(encodeUtf8(text))
console.log(strHax)
let str = decodeUtf8(strHax)
console.log(str)

console.log("test ok?", text === str)

 

 3. Base64 編碼

3.1Base64編碼規則

規則：Base64的編碼方法要求把每三個8bit的字節轉換成四個6bit的字節，然后把6Bit再添兩位高位0,組成四個8Bit的字節。

如果要編碼的二進制數據不是3的倍數，最后剩下一個或者兩個字節base64會在末尾補零，再在編碼的末尾加上一個或者兩個‘=’。

 每個8bit 編碼成：CHARST[paresInt(8bit ,2)]

CHARTS = ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/

 簡單流程的：

3.2 Base64編碼簡單實現

const CHARTS = 'ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/';
const prefix = '='
const prefixTwo = 2
const prefixfour = 4
function padEnd(str, len, prefix) {
  return (str + (new Array(len + 1)).join(prefix)).slice(0, len)
}
function padStart(str, len, prefix) {
  return ((new Array(len + 1).join(prefix)) + str).slice(-len)
}
function encodeBase64(str){
  let byteStr = ''
  for(let ch of encodeUtf8(str)){ 
    byteStr = byteStr + padStart(ch.toString(2),8,0)
  }
  let rest = byteStr.length % 6 // 余2 就是剩下了一個字節，余 4 就是剩下兩個字節
  let restStr = rest === prefixTwo ? '==' :'='
  let prefixzero = rest === prefixTwo ? prefixfour: prefixTwo
  byteStr = padEnd(byteStr , byteStr.length + prefixzero,'0')
  return byteStr.match(/(\d{6})/g).map(val=>parseInt(val,2)).map(val=>CHARTS[val]).join('') + restStr;
}

function decodeBase64(str) {
  let matchTime = str.match(/(ha)/g)
  
  let [...restStr] = str.replace(/=/g,'')
  restStr = restStr.map((item)=> {
    let value = CHARTS.indexOf(item)
    return padStart(value.toString(2),6,0)
  }).join('').match(/(\d{8})/g).map((item)=>parseInt(item,2).toString(16)).join()
  console.log(restStr)
  return decodeUtf8(restStr)
}

let text = "羅小步 啊哈哈 𠮷 ssdf 34534 ASD"
let strHax = encodeBase64(text)
console.log(strHax)
let str = decodeBase64(strHax)
console.log(str)

console.log("test ok?", text === str)

 Base64的編碼方法要求把每三個8bit的字節轉換成四個6bit的字節，編碼會使數據量變長原來的1/3.

 4. 總結

編碼方式只是一種對字符集表現的形式。文章用js 簡單的實現utf8編碼和base64編碼。代碼實現比較粗糙，理解不准確之處，還請教正。歡迎一起討論學習。