JavaScript如何实现UTF-16编码转换为UTF-8编码——utfx.js源码解析

摘要：编码转换为编码下面让我们来看下如何将编码的数据转换为编码的数据。该方法是将码进行编码转换，从而得到编码的数据。

当你在前端需要通过二进制数据与服务端进行通信时，你可能会遇到二进制数据的编码问题。大部分服务端的字符串编码类型都为UTF-8，而JavaScript中字符串编码类型是UTF-16，因此，你需要一个能够将字符串在两种编码方式间进行转换的方法。

本文通过对utfx.js这个库的代码进行分析，带大家深入了解UTF8和UTF16这两种编码方式在JavaScript中的转换方法，同时加深对Unicode中UTF-8和UTF-16两种编码方式的具体原理的理解。

本文的主要内容为：

utfx.js API简单介绍

UTF-16编码转换为UTF-8编码

UTF-8编码字符串长度计算

实验性功能：window.TextEncoder

如果有读者不了解Unicode中UTF-8和UTF-16两种编码方式的具体原理，可以阅读我的前一篇博客——Unicode中UTF-8与UTF-16编码详解。

如果有读者想要了解该库相关的转换使用场景，可以阅读我之前的博客WebSocket系列之JavaScript字符串如何与二进制数据间进行互相转换。

在进行具体的代码详解之前，我们先来了解下我们需要介绍的库——utfx.js。我们只有了解了这个库的使用方法，我们才能够更好的理解源码。

utfx.js代码不多，一共只有八个API接口，分别为：

encodeUTF8：将UTF-8编码的字符串code码转换为二进制bytes。

decodeUTF8：将UTF-8编码的二进制bytes解码城字符串code码。

UTF16toUTF8：将UTF-16的字符转换为UTF-8的code码。

UTF8toUTF16：将UTF-8的code码转换为UTF-16的字符。

encodeUTF16toUTF8：将UTF-16编码的字符转换为UTF-8编码的bytes。

decodeUTF8toUTF16：将UTF-8编码的bytes转换为UTF-16编码的字符。

calculateCodePoint：计算UTF-8编码下的字符长度。

calculateUTF8：计算需要用来存储UTF-8编码code码的bytes的长度。

calculateUTF16asUTF8：计算UTF-16编码的字符在转换成UTF-8后需要的存储长度。

下面，我们将挑选几个具有代表性的API，针对其实现的具体代码来进行分析，帮助大家快速理解这两种编码方式。

下面让我们来看下如何将UTF-16编码的数据转换为UTF-8编码的数据。

当我们需要把UTF-16的数据转换为UTF-8编码的数据时，最好的方法肯定是将UTF-16编码的数据转换为通用的Unicode码，在进行UTF-8编码。我们通过UTF16toUTF8和encodeUTF8方法的代码来进行具体解析。

这个函数名看上去是直接将UTF-16编码的bytes数据转换为UTF-8编码的的Bytes数据。其实是，将UTF-16编码的bytes数据转换为Unicode对应的二进制数据。

/**
 * UTF16数据转换到Unicode数据
 * @param src 数据源，类型为Function，调用一次返回1 Byte数据，如果到达字符串末尾则返回null
 * @param dst 处理函数，类型为Function，得到的Bytes作为参数传递给dst函数
 */
utfx.UTF16toUTF8 = function (src, dst) {
    var c1, c2 = null;
    while (true) {
        // 到达结尾调用src函数得到null后会进入此分支逻辑
        if ((c1 = c2 !== null ? c2 : src()) === null)
            break;
        
        //Unicode标准规定，U+D800~U+DFFF的值不对应任何字符，即专门用来判断是否为高位代理
        if (c1 >= 0xD800 && c1 <= 0xDFFF) {
            if ((c2 = src()) !== null) {
                // 如果Unicode码范围超过U+FFFF则会进入此分支逻辑（两段：第一段大于U+D800，第二段大于U+DC00）
                if (c2 >= 0xDC00 && c2 <= 0xDFFF) {
                    // 第一步：用c1还原高10位；第二步：用c2还原低十位；第三步：加上减去的0x10000
                    dst((c1 - 0xD800) * 0x400 + c2 - 0xDC00 + 0x10000);
                    c2 = null; continue;
                }
            }
        }
        dst(c1);
    }
    if (c2 !== null) dst(c2);
};

根据代码和上面的注释，大家应该就能看懂对应代码，因此在此不做过多赘述。我们接着看将Unicode码转换为UTF-8编码的方法。

该方法是将Unicode码进行UTF-8编码转换，从而得到UTF-8编码的Bytes数据。

/**
 * Unicode数据转换为UTF-8数据
 * @param src 数据源，类型为Function，调用一次返回1 Byte数据，如果到达字符串末尾则返回null
 * @param dst 处理函数，类型为Function，得到的Bytes作为参数传递给dst函数
 */
utfx.encodeUTF8 = function (src, dst) {
    var cp = null;
    if (typeof src === "number")
        cp = src,
            src = function () {return null;};
    while (cp !== null || (cp = src()) !== null) {
        if (cp < 0x80)
        // 1 byte存储情况
            dst(cp & 0x7F);
        else if (cp < 0x800)
        // 2 byte存储情况
            dst(((cp >> 6) & 0x1F) | 0xC0),
            dst((cp & 0x3F) | 0x80);
        else if (cp < 0x10000)
        // 3 byte存储情况
            dst(((cp >> 12) & 0x0F) | 0xE0),
            dst(((cp >> 6) & 0x3F) | 0x80),
            dst((cp & 0x3F) | 0x80);
        else
        // 4 byte存储情况
            dst(((cp >> 18) & 0x07) | 0xF0),
            dst(((cp >> 12) & 0x3F) | 0x80),
            dst(((cp >> 6) & 0x3F) | 0x80),
            dst((cp & 0x3F) | 0x80);
        cp = null;
    }
};

上面的代码与UTF-8编码规范中的方式基本一致，如果没有理解相关规范，可以先阅读本文概述中提到的前一篇博客。

当我们给出一串Unicode码时，我们需要知道申请多大的ArrayBuffer来进行转换后的数据存储。正好，这个库还提供了根据Unicode码的长度或者UTF-16编码格式的数据来计算UTF-8数据的存储长度。

下面我们来介绍calculateUTF8和calculateUTF16asUTF8这两个方法。

该方法是通过Unicode码来计算转换为UTF-8编码后所占存储长度。

/**
 * 根据Unicode编码来计算转换成UTF-8编码后需要的存储长度
 * @param src 数据源，类型为Function，调用一次返回1 Byte数据，如果到达字符串末尾则返回null
 */
utfx.calculateUTF8 = function (src) {
    var cp, l = 0;
    while ((cp = src()) !== null)
        // 占1 Byte的范围是0~0x7F；占2 Byte的范围是0x80~0x7FF；占三个字节的范围是0x800~0xFFFF；占4个字节的范围为：0x10000~0x10FFFF
        l += (cp < 0x80) ? 1 : (cp < 0x800) ? 2 : (cp < 0x10000) ? 3 : 4;
    return l;
};

根据上面的的代码和UTF-8的编码规范，我们就能够很容易理解这种宽度计算的方法。

该方法是通过UTF16的数据来计算转换为Unicode码和转换为UTF-8编码后所占存储长度。

/**
 * 根据UTF-16编码的Bytes来计算转换为Unicode的长度和转换成UTF-8编码后需要的存储长度
 * @param src 数据源，类型为Function，调用一次返回1 Byte数据，如果到达字符串末尾则返回null
 */
utfx.calculateUTF16asUTF8 = function (src) {
    var n = 0, l = 0;
    utfx.UTF16toUTF8(src, function (cp) {
        ++n; l += (cp < 0x80) ? 1 : (cp < 0x800) ? 2 : (cp < 0x10000) ? 3 : 4;
    });
    return [n, l];
};

该方法通过之前介绍的将UTF-16编码转换为Unicode码的方法获取到Unicode数据，再进行计算，返回了Unicode码的长度和UTF-8编码后长度。

这是两个处在实验性的新构造函数，通过创建编码器（TextEncode对象）和解码器（TextDecode对象）来实现JavaScript中string类型与UTF-8编码数据中的互相转换。

构造方法将会返回一个UTF-8编码的，使用方法如下：

let encoder = new TextEncoder();
let decoder = new TextDecoder();

let unit8Array = encoder.encode("a"); // 返回一个Unit8Array类型——[97]
let str = decoder.decode(arr); // 返回一个值为"a"的字符串

目前，这项新技术的的兼容性仍然存在很大问题，只有Chrome 38、Firefox 19以及Opera 25以上才支持，其他主流的浏览器如IE和Safari都还没有任何支持，因此在生产环节中需要慎重使用。

本文对实现了Unicode中UTF-8和UTF-16这两种编码方式的库——utfx.js进行了部分代码分析。通过看到具体的代码实现，相信大家应该能够更加好的理解这两种编码方式的具体规范，以及对应的使用方式和场景。