【转】Unicode转义(uXXXX)的编码和解码
原文链接 http://netwjx.github.io/blog/2012/07/07/encode-and-decode-unicode-escape-string/
在涉及Web前端开发时, 有时会遇到\uXXXX格式表示的字符, 其中XXXX是16进制数字的字符串表示形式, 在js中这个叫Unicode转义字符, 和\n \r同属于转义字符. 在其他语言中也有类似的, 可能还有其它变形的格式.
多数时候遇到需要解码的情况多点, 所以会先介绍解码decode, 后介绍编码encode.
下文会提供Javascript C# Java三种语言下不同方法的实现和简单说明, 会涉及到正则和位运算的典型用法.
Javascript的实现
解码的实现
1 2 3 | function decode(s) {
return unescape(s.replace(/\\(u[0-9a-fA-F]{4})/gm, '%$1'));
} |
unescape是用来处理%uXXXX这样格式的字符串, 将\uXXXX替换成%uXXXX后unescape就可以处理了.
编码的实现
1 2 3 4 5 | function encode1(s) {
return escape(s).replace(/%(u[0-9A-F]{4})|(%[0-9A-F]{2})/gm, function($0, $1, $2) {
return $1 && '\\' + $1.toLowerCase() || unescape($2);
});
} |
和解码中相对应, 使用escape编码, 然后将%uXXXX替换为\uXXXX, 因为escape还可能把一些字符编码成%XX的格式, 所以这些字符还需要使用unescape还原回来.
escape编码结果%uXXXX中的XXXX是大写的, 所以后面的replace只处理大写的A-F.
另一种编码的实现
不使用正则和escape
1 2 3 4 5 6 7 8 9 10 11 12 13 14 | function encode2(s) {
var i, c, ret = [],
pad = '000';
for (i = 0; i < s.length; i++) {
c = s.charCodeAt(i);
if (c > 256) {
c = c.toString(16);
ret[i] = '\\u' + pad.substr(0, 4 - c.length) + c;
} else {
ret[i] = s[i];
}
}
return ret.join('');
} |
遍历字符串中的字符, 那些charCode大于256的会转换成16进制字符串c.toString(16), 如果不足4位则左边补0pad.substr(0, 4 - c.length). 结尾将遍历的结果合并成字符串返回.
C#的实现
解码的实现
1 2 3 4 5 6 7 8 9 10 11 12 13 14 | static Regex reUnicode = new Regex(@"\\u([0-9a-fA-F]{4})", RegexOptions.Compiled);
public static string Decode(string s)
{
return reUnicode.Replace(s, m =>
{
short c;
if (short.TryParse(m.Groups[1].Value, System.Globalization.NumberStyles.HexNumber, CultureInfo.InvariantCulture, out c))
{
return "" + (char)c;
}
return m.Value;
});
} |
正则和js中的一样, 将XXXX转换以16进制System.Globalization.NumberStyles.HexNumber解析为short类型, 然后直接(char)c就能转换成对应的字符, "" + (char)c用于转换成字符串类型返回.
由于正则中也有\uXXXX, 所以需要写成\\uXXXX来表示匹配字符串\uXXXX, 而不是具体的字符.
上面使用到了Lambda, 需要至少dotnet 4的SDK才能编译通过, 可以在dotnet 2下运行.
编码的实现
1 2 3 4 5 6 | static Regex reUnicodeChar = new Regex(@"[^\u0000-\u00ff]", RegexOptions.Compiled);
public static string Encode(string s)
{
return reUnicodeChar.Replace(s, m => string.Format(@"\u{0:x4}", (short)m.Value[0]));
} |
和C#的解码实现正好相反, 0-255之外的字符, 从char转换成short, 然后string.Format以16进制, 至少输出4位.
Java的实现
解码的实现
和C#相似的, 使用正则
1 2 3 4 5 6 7 8 9 10 11 12 | static final Pattern reUnicode = Pattern.compile("\\\\u([0-9a-zA-Z]{4})");
public static String decode1(String s) {
Matcher m = reUnicode.matcher(s);
StringBuffer sb = new StringBuffer(s.length());
while (m.find()) {
m.appendReplacement(sb,
Character.toString((char) Integer.parseInt(m.group(1), 16)));
}
m.appendTail(sb);
return sb.toString();
} |
Java语言没有内嵌正则语法, 也没有类似C#的@"\u1234"原始形式字符串的语法, 所以要表示正则中匹配\, 就需要\\\\, 其中2个是用于Java中字符转义, 2个是正则中的字符转义.
Java语言中没有设计函数或者委托的语法, 所以它的正则库提供的是find appendReplacement appendTail这些方法的组合, 等价于js和C#中的replace.
这里使用StringBuffer类型是由于appendReplacement只接受这个类型, StringBuffer有线程安全的额外操作, 所以性能差一点. 也许第三方的正则库能把API设计的更好用点.
Integer.parseInt(m.group(1), 16)用于解析为int类型, 之后再(char), 以及Character.toString转换成字符串.
解码的另一种实现
因为StringBuffer的原因, 不使用正则的实现
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 | public static String decode2(String s) {
StringBuilder sb = new StringBuilder(s.length());
char[] chars = s.toCharArray();
for (int i = 0; i < chars.length; i++) {
char c = chars[i];
if (c == '\\' && chars[i + 1] == 'u') {
char cc = 0;
for (int j = 0; j < 4; j++) {
char ch = Character.toLowerCase(chars[i + 2 + j]);
if ('0' <= ch && ch <= '9' || 'a' <= ch && ch <= 'f') {
cc |= (Character.digit(ch, 16) << (3 - j) * 4);
} else {
cc = 0;
break;
}
}
if (cc > 0) {
i += 5;
sb.append(cc);
continue;
}
}
sb.append(c);
}
return sb.toString();
} |
手工做就是麻烦很多, 代码中也一坨的符号.
遍历所有字符chars, 检测到\u这样的字符串, 检测后续的4个字符是否是16进制数字的字符表示. 因为Character.isDigit会把一些其它语系的数字也算进来, 所以保险的做法'0' <= ch && ch <= '9'.
Character.digit会把0-9返回为int类型的0-9, 第2个参数是16时会把A-F返回为int类型的10-15.
剩下的就是用|=把各个部分的数字合并到一起, 转换成char类型. 还有一些调整遍历位置等.
编码的实现
考虑到Java正则的杯具, 还是继续手工来吧, 相对解码来说代码少点.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 | public static String encode(String s) {
StringBuilder sb = new StringBuilder(s.length() * 3);
for (char c : s.toCharArray()) {
if (c < 256) {
sb.append(c);
} else {
sb.append("\\u");
sb.append(Character.forDigit((c >>> 12) & 0xf, 16));
sb.append(Character.forDigit((c >>> 8) & 0xf, 16));
sb.append(Character.forDigit((c >>> 4) & 0xf, 16));
sb.append(Character.forDigit((c) & 0xf, 16));
}
}
return sb.toString();
} |
对应于上文Java编码的实现正好是反向的实现, 依旧遍历字符, 遇到大于256的字符, 用位运算提取出4部分并使用Character.forDigit转换成16进制数对应的字符.
剩下就是sb.toString()返回了.
总结
- 编码从逻辑上比解码简单点.
- 对付字符串, js还是最顺手的, 也方便测试.
- 位运算的性能很高.
- Java的正则库设计的很不方便, 可以考虑第三方.
- Java的语法设计现在看来呆板, 落后, 也没有js那种灵活.
- 上文Java的非正则实现可以写成等价的C#代码.
相关推荐
正则表达式是啥？正则表达式又叫作“规则表达式”，是计算机科学的一个概念。它常被用来搜索、替换那些符合某个模式的文本。在有换行符时认为\n前为一行、\n后为一行。，这时正则匹配，取值会以最小个数为基准；