web知识进阶——字符编解码

数据体验技术团队(ProtoTeam) @ 蚂蚁金服(杭州)网络技术有限公司

作者简介:nekron 蚂蚁金服·数据体验技术团队

背景

因为中文的博大精深,以及早期文件编码的不统一,造成了现在可能碰到的文件编码有GB2312GBkGB18030UTF-8BIG5等。因为编解码的知识比较底层和冷门,一直以来我对这几个编码的认知也很肤浅,很多时候也会疑惑编码名到底是大写还是小写,英文和数字之间是不是需要加“-”,规则到底是谁定的等等。

我肤浅的认知如下:

编码 说明
GB2312 最早的简体中文编码,还有海外版的HZ-GB-2312
BIG5 繁体中文编码,主要用于台湾地区。些繁体中文游戏乱码,其实都是因为BIG5编码和GB2312编码的错误使用导致
GBK 简体+繁体,我就当它是GB2312+BIG5,非国家标准,只是中文环境内基本都遵守。后来了解到,K居然是“扩展”的拼音首字母,这很中国。。。
GB18030 GB家族的新版,向下兼容,最新国家标准,现在中文软件都理应支持的编码格式,文件解码的新选择
UTF-8 不解释了,国际化编码标准,html现在最标准的编码格式。

概念梳理

经过长时间的踩坑,我终于对这类知识有了一定的认知,现在把一些重要概念重新整理如下:

首先要消化整个字符编解码知识,先要明确两个概念——字符集和字符编码。

字符集

顾名思义就是字符的集合,不同的字符集最直观的区别就是字符数量不相同,常见的字符集有ASCII字符集、GB2312字符集、BIG5字符集、 GB18030字符集、Unicode字符集等。

字符编码

字符编码决定了字符集到实际二进制字节的映射方式,每一种字符编码都有自己的设计规则,例如是固定字节数还是可变长度,此处不一一展开。

常提到的GB2312、BIG5、UTF-8等,如果未特殊说明,一般语义上指的是字符编码而不是字符集。

字符集和字符编码是一对多的关系,同一字符集可以存在多个字符编码,典型代表是Unicode字符集下有UTF-8、UTF-16等等。

BOM(Byte Order Mark)

当使用windows记事本保存文件的时候,编码方式可以选择ANSI(通过locale判断,简体中文系统下是GB家族)、Unicode、Utf-8等。

为了清晰概念,需要指出此处的Unicode,编码方式其实是UTF-16LE。

有这么多编码方式,那文件打开的时候,windows系统是如何判断该使用哪种编码方式呢?

答案是:windows(例如:简体中文系统)在文件头部增加了几个字节以表示编码方式,三个字节(0xef, 0xbb, 0xbf)表示UTF-8;两个字节(0xff, 0xfe或者0xfe, 0xff)表示UTF-16(Unicode);无表示GB**。

值得注意的是,由于BOM不表意,在解析文件内容的时候应该舍弃,不然会造成解析出来的内容头部有多余的内容。

LE(little-endian)和BE(big-endian)

这个涉及到字节相关的知识了,不是本文重点,不过提到了就顺带解释下。LE和BE代表字节序,分别表示字节从低位/高位开始。

我们常接触到的CPU都是LE,所以windows里Unicode未指明字节序时默认指的是LE。

node的Buffer API中基本都有相应的2种函数来处理LE、BE,贴个文档如下:

const buf = Buffer.from([0, 5]);

// Prints: 5
console.log(buf.readInt16BE());

// Prints: 1280
console.log(buf.readInt16LE());
复制代码

Node解码

我第一次接触到该类问题,使用的是node处理,当时给我的选择有:

  • node-iconv(系统iconv的封装)
  • iconv-lite(纯js)

由于node-iconv涉及node-gyp的build,而开发机是windows,node-gyp的环境准备以及后续的一系列安装和构建,让我这样的web开发人员痛(疯)不(狂)欲(吐)生(嘈),最后自然而然的选择了iconv-lite。

解码的处理大致示意如下:

const fs = require('fs')
const iconv = require('iconv-lite')

const buf = fs.readFileSync('/path/to/file')

// 可以先截取前几个字节来判断是否存在BOM
buf.slice(0, 3).equals(Buffer.from([0xef, 0xbb, 0xbf])) // UTF-8
buf.slice(0, 2).equals(Buffer.from([0xff, 0xfe])) // UTF-16LE

const str = iconv.decode(buf, 'gbk')

// 解码正确的判断需要根据业务场景调整
// 此处截取前几个字符判断是否有中文存在来确定是否解码正确
// 也可以反向判断是否有乱码存在来确定是否解码正确
// 正则表达式内常见的\u**就是unicode码点
// 该区间是常见字符,如果有特定场景可以根据实际情况扩大码点区间
/[\u4e00-\u9fa5]/.test(str.slice(0, 3))

复制代码

前端解码

随着ES20151的浏览器实现越来越普及,前端编解码也成为了可能。以前通过form表单上传文件至后端解析内容的流程现在基本可以完全由前端处理,既少了与后端的网络交互,而且因为有界面反馈,用户体验上更直观。

一般场景如下:

const file = document.querySelector('.input-file').files[0]
const reader = new FileReader()

reader.onload = () => {
	const content = reader.result
}
reader.onprogerss = evt => {
	// 读取进度
}
reader.readAsText(file, 'utf-8') // encoding可修改
复制代码

fileReader支持的encoding列表,可查阅此处

这里有一个比较有趣的现象,如果文件包含BOM,比如声明是UTF-8编码,那指定的encoding会无效,而且在输出的内容中会去掉BOM部分,使用起来更方便。

如果对编码有更高要求的控制需求,可以转为输出TypedArray:

reader.onload = () => {
	const buf = new Uint8Array(reader.result)
	// 进行更细粒度的操作
}
reader.readAsArrayBuffer(file)
复制代码

获取文本内容的数据缓冲以后,可以调用TextDecoder继续解码,不过需要注意的是获得的TypedArray是包含BOM的:

const decoder = new TextDecoder('gbk') 
const content = decoder.decode(buf)
复制代码

如果文件比较大,可以使用Blob的slice来进行切割:

const file = document.querySelector('.input-file').files[0]
const blob = file.slice(0, 1024)
复制代码

文件的换行不同操作系统不一致,如果需要逐行解析,需要视场景而定:

  • Linux: \n
  • Windows: \r\n
  • Mac OS: \r

**注意:**这个是各系统默认文本编辑器的规则,如果是使用其他软件,比如常用的sublime、vscode、excel等等,都是可以自行设置换行符的,一般是\n或者\r\n。

前端编码

可以使用TextEncoder将字符串内容转换成TypedBuffer:

const encoder = new TextEncoder() 
encoder.encode(String)
复制代码

值得注意的是,从Chrome 53开始,encoder只支持utf-8编码2,官方理由是其他编码用的太少了。这里有个polyfill库,补充了移除的编码格式。

前端生成文件

前端编码完成后,一般都会顺势实现文件生成,示例代码如下:

const a = document.createElement('a')
const buf = new TextEncoder()
const blob = new Blob([buf.encode('我是文本')], {
	type: 'text/plain'
})
a.download = 'file'
a.href = URL.createObjectURL(blob)
a.click()
// 主动调用释放内存
URL.revokeObjectURL(blob)
复制代码

这样就会生成一个文件名为file的文件,后缀由type决定。如果需要导出csv,那只需要修改对应的MIME type:

const blob = new Blob([buf.encode('第一行,1\r\n第二行,2')], {
	type: 'text/csv'
})
复制代码

一般csv都默认是由excel打开的,这时候会发现第一列的内容都是乱码,因为excel沿用了windows判断编码的逻辑(上文提到),当发现无BOM时,采用GB18030编码进行解码而导致内容乱码。

这时候只需要加上BOM指明编码格式即可:

const blob = new Blob([new Uint8Array([0xef, 0xbb, 0xbf]), buf.encode('第一行,1\r\n第二行,2')], {
	type: 'text/csv'
})

// or

const blob = new Blob([buf.encode('\ufeff第一行,1\r\n第二行,2')], {
	type: 'text/csv'
})
复制代码

这里稍微说明下,因为UTF-8和UTF-16LE都属于Unicode字符集,只是实现不同。所以通过一定的规则,两种编码可以相互转换,而表明UTF-16LE的BOM转成UTF-8编码其实就是表明UTF-8的BOM。

附:

  1. TypedArray
  2. TextEncoder

本文介绍了字符编解码,感兴趣的同学可以关注专栏或者发送简历至'tao.qit####alibaba-inc.com'.replace('####', '@'),欢迎有志之士加入~

原文地址:github.com/ProtoTeam/b…

文章分类
前端
文章标签