解析JavaScript中的字符串类型与字符编码支持

定义
字符串就是零个或多个排在一起的字符，放在单引号或双引号之中。

'abc'
"abc"

单引号字符串的内部，可以使用双引号。双引号字符串的内部，可以使用单引号。

'key = "value"'
"it's a long journey"

上面两个都是合法的字符串。

如果要在单引号字符串的内部，使用单引号（或者在双引号字符串的内部，使用双引号），就必须在内部的单引号（或者双引号）前面加上反斜杠，用来转义。

'did she say \'hello\'?'
// "did she say 'hello'?"

"did she say \"hello\"?"
// "did she say "hello"?"

由于html语言的属性值使用双引号，所以很多项目约定javascript语言的字符串只使用单引号，本教程就遵守这个约定。当然，只使用双引号也完全可以。重要的是，坚持使用一种风格，不要两种风格混合。

字符串默认只能写在一行内，分成多行将会报错。

'a
b
c'
// syntaxerror: unexpected token illegal

上面代码将一个字符串分成三行，javascript就会报错。

如果长字符串必须分成多行，可以在每一行的尾部使用反斜杠。

var longstring = "long \
long \
long \
string";

longstring
// "long long long string"

上面代码表示，加了反斜杠以后，原来写在一行的字符串，可以分成多行书写。但是，输出的时候还是单行，效果与写在同一行完全一样。注意，反斜杠的后面必须是换行符，而不能有其他字符（比如空格），否则会报错。

连接运算符（+）可以连接多个单行字符串，将长字符串拆成多行书写，输出的时候也是单行。

var longstring = 'long '
 + 'long '
 + 'long '
 + 'string';

如果想输出多行字符串，有一种利用多行注释的变通方法。

(function () { /*
line 1
line 2
line 3
*/}).tostring().split('\n').slice(1, -1).join('\n')
// "line 1
// line 2
// line 3"

上面的例子中，输出的字符串就是多行。

转义
反斜杠（\）在字符串内有特殊含义，用来表示一些特殊字符，所以又称为转义符。

需要用反斜杠转义的特殊字符，主要有下面这些：

• \0 null（\u0000）
• \b 后退键（\u0008）
• \f 换页符（\u000c）
• \n 换行符（\u000a）
• \r 回车键（\u000d）
• \t 制表符（\u0009）
• \v 垂直制表符（\u000b）
• \' 单引号（\u0027）
• \" 双引号（\u0022）
• \ 反斜杠（\u005c）

上面这些字符前面加上反斜杠，都表示特殊含义。

console.log('1\n2')
// 1
// 2

上面代码中，\n表示换行，输出的时候就分成了两行。

反斜杠还有三种特殊用法。

（1）\hhh

反斜杠后面紧跟三个八进制数（000到377），代表一个字符。hhh对应该字符的unicode码点，比如\251表示版权符号。显然，这种方法只能输出256种字符。

（2）\xhh

\x后面紧跟两个十六进制数（00到ff），代表一个字符。hh对应该字符的unicode码点，比如\xa9表示版权符号。这种方法也只能输出256种字符。

（3）\uxxxx

\u后面紧跟四个十六进制数（0000到ffff），代表一个字符。hhhh对应该字符的unicode码点，比如\u00a9表示版权符号。

下面是这三种字符特殊写法的例子。

'\251' // "©"
'\xa9' // "©"
'\u00a9' // "©"

'\172' === 'z' // true
'\x7a' === 'z' // true
'\u007a' === 'z' // true

如果在非特殊字符前面使用反斜杠，则反斜杠会被省略。

'\a'
// "a"

上面代码中，a是一个正常字符，前面加反斜杠没有特殊含义，反斜杠会被自动省略。

如果字符串的正常内容之中，需要包含反斜杠，则反斜杠前面需要再加一个反斜杠，用来对自身转义。

"prev \\ next"
// "prev \ next"

字符串与数组
字符串可以被视为字符数组，因此可以使用数组的方括号运算符，用来返回某个位置的字符（位置编号从0开始）。

var s = 'hello';
s[0] // "h"
s[1] // "e"
s[4] // "o"

// 直接对字符串使用方括号运算符
'hello'[1] // "e"

如果方括号中的数字超过字符串的长度，或者方括号中根本不是数字，则返回undefined。

'abc'[3] // undefined
'abc'[-1] // undefined
'abc'['x'] // undefined

但是，字符串与数组的相似性仅此而已。实际上，无法改变字符串之中的单个字符。

var s = 'hello';

delete s[0];
s // "hello"

s[1] = 'a';
s // "hello"

s[5] = '!';
s // "hello"

上面代码表示，字符串内部的单个字符无法改变和增删，这些操作会默默地失败。

字符串之所以类似于字符数组，实际是由于对字符串进行方括号运算时，字符串会自动转换为一个字符串对象。

length属性
length属性返回字符串的长度，该属性也是无法改变的。

var s = 'hello';
s.length // 5

s.length = 3;
s.length // 5

s.length = 7;
s.length // 5

上面代码表示字符串的length属性无法改变，但是不会报错。

字符集
javascript使用unicode字符集，也就是说在javascript内部，所有字符都用unicode表示。

不仅javascript内部使用unicode储存字符，而且还可以直接在程序中使用unicode，所有字符都可以写成”\uxxxx”的形式，其中xxxx代表该字符的unicode编码。比如，\u00a9代表版权符号。

var s = '\u00a9';
s // "©"

每个字符在javascript内部都是以16位（即2个字节）的utf-16格式储存。也就是说，javascript的单位字符长度固定为16位长度，即2个字节。

但是，utf-16有两种长度：对于u+0000到u+ffff之间的字符，长度为16位（即2个字节）；对于u+10000到u+10ffff之间的字符，长度为32位（即4个字节），而且前两个字节在0xd800到0xdbff之间，后两个字节在0xdc00到0xdfff之间。举例来说，u+1d306对应的字符为????，它写成utf-16就是0xd834 0xdf06。浏览器会正确将这四个字节识别为一个字符，但是javascript内部的字符长度总是固定为16位，会把这四个字节视为两个字符。

var s = '\ud834\udf06';

s // "????"
s.length // 2
/^.$/.test(s) // false
s.charat(0) // ""
s.charat(1) // ""
s.charcodeat(0) // 55348
s.charcodeat(1) // 57094

上面代码说明，对于于u+10000到u+10ffff之间的字符，javascript总是视为两个字符（字符的length属性为2），用来匹配单个字符的正则表达式会失败（javascript认为这里不止一个字符），charat方法无法返回单个字符，charcodeat方法返回每个字节对应的十进制值。

所以处理的时候，必须把这一点考虑在内。对于4个字节的unicode字符，假定c是字符的unicode编号，h是前两个字节，l是后两个字节，则它们之间的换算关系如下。

// 将大于u+ffff的字符，从unicode转为utf-16
h = math.floor((c - 0x10000) / 0x400) + 0xd800
l = (c - 0x10000) % 0x400 + 0xdc00

// 将大于u+ffff的字符，从utf-16转为unicode
c = (h - 0xd800) * 0x400 + l - 0xdc00 + 0x10000

下面的正则表达式可以识别所有utf-16字符。

([\0-\ud7ff\ue000-\uffff]|[\ud800-\udbff][\udc00-\udfff])

由于javascript引擎（严格说是es5规格）不能自动识别辅助平面（编号大于0xffff）的unicode字符，导致所有字符串处理函数遇到这类字符，都会产生错误的结果。如果要完成字符串相关操作，就必须判断字符是否落在0xd800到0xdfff这个区间。

下面是能够正确处理字符串遍历的函数。

function getsymbols(string) {
 var length = string.length;
 var index = -1;
 var output = [];
 var character;
 var charcode;
 while (++index < length) {
  character = string.charat(index);
  charcode = character.charcodeat(0);
  if (charcode >= 0xd800 && charcode <= 0xdbff) {
   output.push(character + string.charat(++index));
  } else {
   output.push(character);
  }
 }
 return output;
}

var symbols = getsymbols('????');

symbols.foreach(function(symbol) {
 // ...
});

替换（string.prototype.replace）、截取子字符串（string.prototype.substring, string.prototype.slice）等其他字符串操作，都必须做类似的处理。

base64转码
base64是一种编码方法，可以将任意字符转成可打印字符。使用这种编码方法，主要不是为了加密，而是为了不出现特殊字符，简化程序的处理。

javascript原生提供两个base64相关方法。

• btoa()：字符串或二进制值转为base64编码
• atob()：base64编码转为原来的编码

var string = 'hello world!';

btoa(string) // "sgvsbg8gv29ybgqh"
atob('sgvsbg8gv29ybgqh') // "hello world!"
这两个方法不适合非ascii码的字符，会报错。

btoa('你好')
// uncaught domexception: the string to be encoded contains characters outside of the latin1 range.
要将非ascii码字符转为base64编码，必须中间插入一个转码环节，再使用这两个方法。

function b64encode(str) {
 return btoa(encodeuricomponent(str));
}

function b64decode(str) {
 return decodeuricomponent(atob(str));
}

b64encode('你好') // "juu0jujejuewjuu1jue1juje"
b64decode('juu0jujejuewjuu1jue1juje') // "你好"