重拾字符编码

入门python,看到廖雪峰老师把字符编码讲得很透彻,不由得就想分享了,顺便整理下js的字符串。廖雪峰老师原文:字符编码

字符编码

我们已知字符串也是一种数据类型,但是,字符串比较特殊的是还有一个编码问题。

1. 字节

因为计算机只能处理数字,如果要处理文本,就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特(bit)作为一个字节(byte),所以,一个字节能表示的最大的整数就是255(二进制11111111=十进制255),如果要表示更大的整数,就必须用更多的字节。比如两个字节可以表示的最大整数是65535,4个字节可以表示的最大整数是4294967295

2. ASCII 编码

由于计算机是美国人发明的,因此,最早只有127个字符被编码到计算机里,也就是大小写英文字母、数字和一些符号,这个编码表被称为ASCII编码,比如大写字母A的编码是65,小写字母z的编码是122

3. Unicode 编码

但是要处理中文显然一个字节是不够的,至少需要两个字节,而且还不能和ASCII编码冲突,所以,中国制定了GB2312编码,用来把中文编进去。

你可以想得到的是,全世界有上百种语言,日本把日文编到Shift_JIS里,韩国把韩文编到Euc-kr里,各国有各国的标准,就会不可避免地出现冲突,结果就是,在多语言混合的文本中,显示出来会有乱码。

因此,Unicode应运而生。Unicode把所有语言都统一到一套编码里,这样就不会再有乱码问题了。

Unicode标准也在不断发展,但最常用的是用两个字节表示一个字符(如果要用到非常偏僻的字符,就需要4个字节)。现代操作系统和大多数编程语言都直接支持Unicode。

4. ASCII 与 Unicode 编码的区别

现在,捋一捋ASCII编码和Unicode编码的区别:ASCII编码是1个字节,而Unicode编码通常是2个字节。

字母A用ASCII编码是十进制的65,二进制的01000001

字符0用ASCII编码是十进制的48,二进制的00110000,注意字符'0'和整数0是不同的;

汉字已经超出了ASCII编码的范围,用Unicode编码是十进制的20013,二进制的01001110 00101101

你可以猜测,如果把ASCII编码的A用Unicode编码,只需要在前面补0就可以,因此,A的Unicode编码是00000000 01000001

5. UTF-8 编码

新的问题又出现了:如果统一成Unicode编码,乱码问题从此消失了。但是,如果你写的文本基本上全部是英文的话,用Unicode编码比ASCII编码需要多一倍的存储空间,在存储和传输上就十分不划算。

所以,本着节约的精神,又出现了把Unicode编码转化为“可变长编码”的UTF-8编码。UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节,常用的英文字母被编码成1个字节,汉字通常是3个字节,只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符,用UTF-8编码就能节省空间:

字符 ASCII Unicode UTF-8
A 01000001 00000000 01000001 01000001
x 01001110 00101101 11100100 10111000 10101101
从上面的表格还可以发现,UTF-8编码有一个额外的好处,就是ASCII编码实际上可以被看成是UTF-8编码的一部分,所以,大量只支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作。

6. 总结

搞清楚了ASCII、Unicode和UTF-8的关系,我们就可以总结一下现在计算机系统通用的字符编码工作方式:

在计算机内存中,统一使用Unicode编码,当需要保存到硬盘或者需要传输的时候,就转换为UTF-8编码。

用记事本编辑的时候,从文件读取的UTF-8字符被转换为Unicode字符到内存里,编辑完成后,保存的时候再把Unicode转换为UTF-8保存到文件。

浏览网页的时候,服务器会把动态生成的Unicode内容转换为UTF-8再传输到浏览器。

所以看到很多网页的源码上会有类似<meta charset="UTF-8" />的信息,表示该网页正是用的UTF-8编码。

js 中的字符串

参考:MDN String

语法

对象: new String(str)

字面量:单引号或双引号包裹,'str',"str"

模板字符串:反引号包裹,可用变量。`hello ${who}`

常见转义字符

转义字符:借助\,让有特殊功能的字符在字符串中依旧能起到作用,而不是当做普通的字符处理

Code 作用
\' 单引号
\" 双引号
\n 换行
\t 水平制表符

长字符串

代码书写时允许换行,但是在html上展示依旧是一行。

  • 运用 + 运算符拼接
  • 可以在每行末尾使用反斜杠字符(“\”),以指示字符串将在下一行继续。确保反斜杠后面没有空格或任何除换行符之外的字符或缩进; 否则反斜杠将不会工作。
let longString = "This is a very long string which needs \
to wrap across multiple lines because \
otherwise my code is unreadable.";

属性

String.length

常用方法

  • String.prototype.indexOf():从字符串对象中返回首个被发现的给定值的索引值,如果没有找到则返回-1
  • String.prototype.lastIndexOf():从字符串对象中返回最后一个被发现的给定值的索引值,如果没有找到则返回-1
  • String.prototype.replace():被用来在正则表达式和字符串直接比较,然后用新的子串来替换被匹配的子串
  • String.prototype.split():被用来在正则表达式和字符串直接比较,然后用新的子串来替换被匹配的子串
  • String.prototype.substring():返回在字符串中指定两个下标之间的字符
  • String.prototype.match():使用正则表达式与字符串相比较
  • String.prototype.toLocaleLowerCase():返回在字符串中指定两个下标之间的字符
  • String.prototype.toLocaleUpperCase():根据当前区域设置,将字符串中的字符转换成大写,对于大多数语言来说,toUpperCase的返回值是一致的
  • String.prototype.toLowerCase():将字符串转换成小写并返回
  • String.prototype.toUpperCase():将字符串转换成大写并返回
  • String.prototype.trim():从字符串的开始和结尾去除空格
  • String.prototype.charAt():返回特定位置的字符
  • String.prototype.charCodeAt():返回表示给定索引的字符的Unicode的值
  • String.prototype.includes():判断一个字符串里是否包含其他字符串
  • String.prototype.startsWith():判断字符串的起始位置是否匹配其他字符串中的字符
  • String.prototype.endsWith():判断一个字符串的是否以给定字符串结尾,结果返回布尔值
  • String.prototype.padStart():在当前字符串头部填充指定的字符串, 直到达到指定的长度。 返回一个新的字符串
  • String.prototype.padEnd():在当前字符串尾部填充指定的字符串, 直到达到指定的长度。 返回一个新的字符串
posted @ 2020-08-07 21:21  ESnail  阅读(126)  评论(0编辑  收藏  举报