在涉及Web前端開發時, 有時會遇到\uXXXX
格式表示的字符, 其中XXXX
是16進制數字的字符串表示形式, 在js中這個叫Unicode轉義字符, 和\n
\r
同屬於轉義字符. 在其他語言中也有類似的, 可能還有其它變形的格式.
多數時候遇到需要解碼的情況多點, 所以會先介紹解碼decode, 後介紹編碼encode.
下文會提供Javascript C# Java三種語言下不同方法的實現和簡單說明, 會涉及到正則和位運算的典型用法.
Javascript的實現
解碼的實現
1 2 3 |
|
unescape
是用來處理%uXXXX
這樣格式的字符串, 將\uXXXX
替換成%uXXXX
後unescape
就可以處理了.
編碼的實現
1 2 3 4 5 |
|
和解碼中相對應, 使用escape
編碼, 然後將%uXXXX
替換爲\uXXXX
, 因爲escape
還可能把一些字符編碼成%XX
的格式, 所以這些字符還需要使用unescape
還原回來.
escape
編碼結果%uXXXX
中的XXXX
是大寫的, 所以後面的replace
只處理大寫的A-F
.
另一種編碼的實現
不使用正則和escape
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
|
遍歷字符串中的字符, 那些charCode
大於256的會轉換成16進制字符串c.toString(16)
, 如果不足4位則左邊補0pad.substr(0, 4 - c.length)
. 結尾將遍歷的結果合併成字符串返回.
C#的實現
解碼的實現
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
|
正則和js中的一樣, 將XXXX
轉換以16進制System.Globalization.NumberStyles.HexNumber
解析爲short
類型, 然後直接(char)c
就能轉換成對應的字符, "" + (char)c
用於轉換成字符串類型返回.
由於正則中也有\uXXXX
, 所以需要寫成\\uXXXX
來表示匹配字符串\uXXXX
, 而不是具體的字符.
上面使用到了Lambda, 需要至少dotnet 4的SDK才能編譯通過, 可以在dotnet 2下運行.
編碼的實現
1 2 3 4 5 6 |
|
和C#的解碼實現正好相反, 0-255之外的字符, 從char
轉換成short
, 然後string.Format
以16進制, 至少輸出4位.
Java的實現
解碼的實現
和C#相似的, 使用正則
1 2 3 4 5 6 7 8 9 10 11 12 |
|
Java語言沒有內嵌正則語法, 也沒有類似C#的@"\u1234"
原始形式字符串的語法, 所以要表示正則中匹配\
, 就需要\\\\
, 其中2個是用於Java中字符轉義, 2個是正則中的字符轉義.
Java語言中沒有設計函數或者委託的語法, 所以它的正則庫提供的是find
appendReplacement
appendTail
這些方法的組合, 等價於js和C#中的replace
.
這裏使用StringBuffer
類型是由於appendReplacement
只接受這個類型, StringBuffer
有線程安全的額外操作, 所以性能差一點. 也許第三方的正則庫能把API設計的更好用點.
Integer.parseInt(m.group(1), 16)
用於解析爲int
類型, 之後再(char)
, 以及Character.toString
轉換成字符串.
解碼的另一種實現
因爲StringBuffer
的原因, 不使用正則的實現
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 |
|
手工做就是麻煩很多, 代碼中也一坨的符號.
遍歷所有字符chars
, 檢測到\u
這樣的字符串, 檢測後續的4個字符是否是16進制數字的字符表示. 因爲Character.isDigit
會把一些其它語系的數字也算進來, 所以保險的做法'0' <= ch && ch <= '9'
.
Character.digit
會把0-9
返回爲int
類型的0-9, 第2個參數是16時會把a-f
返回爲int
類型的10-15.
剩下的就是用|=
把各個部分的數字合併到一起, 轉換成char類型. 還有一些調整遍歷位置等.
編碼的實現
考慮到Java正則的杯具, 還是繼續手工來吧, 相對解碼來說代碼少點.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 |
|
對應於上文Java編碼的實現正好是反向的實現, 依舊遍歷字符, 遇到大於256的字符, 用位運算提取出4部分並使用Character.forDigit
轉換成16進制數對應的字符.
剩下就是sb.toString()
返回了.
總結
- 編碼從邏輯上比解碼簡單點.
- 對付字符串, js還是最順手的, 也方便測試.
- 位運算的性能很高.
- Java的正則庫設計的很不方便, 可以考慮第三方.
- Java的語法設計現在看來呆板, 落後, 也沒有js那種靈活.
- 上文Java的非正則實現可以寫成等價的C#代碼.
轉:http://netwjx.github.io/blog/2012/07/07/encode-and-decode-unicode-escape-string/