深入理解 Node.js Buffer 的 Encoding
字符怎么存儲(chǔ)呢?就是靠編碼，不同的字符對(duì)應(yīng)不同的編碼，然后在需要渲染的時(shí)候根據(jù)對(duì)應(yīng)編碼去查字體庫(kù)，然后渲染對(duì)應(yīng)字符的圖形。
字符集
字符集(charset)最早是 ASCII 碼，也就是 abc ABC 123 等 128 個(gè)字符，因?yàn)橛?jì)算機(jī)最早就是美國(guó)發(fā)明的。后來(lái)歐洲也制定了一套字符集標(biāo)準(zhǔn)，叫做 ISO，后來(lái)中國(guó)也搞了一套，叫做 GBK。
國(guó)際標(biāo)準(zhǔn)化組織覺(jué)得不能這樣各自搞一套，不然同一個(gè)編碼在不同字符集里面就不同的意思，于是就提出了 unicode 編碼，把全世界大部分編碼收錄，這樣每個(gè)字符只有唯一的編碼。
但是 ASCII 碼只需要 1 個(gè)字節(jié)就可以存儲(chǔ)，而 GBK 需要 2 個(gè)字節(jié)，還有的字符集需要 3 個(gè)字節(jié)等。有的只要一個(gè)字節(jié)存儲(chǔ)卻存了 2 個(gè)字節(jié)，比較浪費(fèi)空間。所以就出現(xiàn)了 utf-8、utf-16、utf-24 等不同編碼方案。
utf-8、utf-16、utf-24 都是 unicode 編碼，但是具體實(shí)現(xiàn)方案不同。
UTF-8 為了節(jié)省空間，設(shè)計(jì)了從 1 到 6 個(gè)字節(jié)的變長(zhǎng)存儲(chǔ)方案。而 UTF-16 是固定 2 個(gè)字節(jié)，UTF-24 是固定 4 個(gè)字節(jié)。
最后，UTF-8 因?yàn)檎加每臻g最少，所以被廣泛應(yīng)用。
Node.js 的 Buffer 的 encoding
每種語(yǔ)言都支持字符集的編碼解碼，Node.js 也同樣。
Node.js 里面可以通過(guò) Buffer 來(lái)存儲(chǔ)二進(jìn)制的數(shù)據(jù)，而二進(jìn)制的數(shù)據(jù)轉(zhuǎn)為字符串的時(shí)候就需要指定字符集，Buffer 的 from、byteLength、lastIndexOf 等方法都支持指定 encoding：
具體支持的 encoding 有這些：
utf8、ucs2、utf16le、latin1、ascii、base64、hex
可能有的同學(xué)會(huì)發(fā)現(xiàn)：base64、hex 不是字符集啊，怎么也出現(xiàn)在這里?
是的，字節(jié)到字符的編碼方案除了字符集之外，也有用于轉(zhuǎn)為明文字符的 base64、以及轉(zhuǎn)為 16 進(jìn)制的 hex。
這也是為什么 Node.js 把它叫做 encoding 而不是 charset，因?yàn)橹С值木幗獯a方案不只是字符集。
如果不指定 encoding，默認(rèn)是 utf8。
- const buf = Buffer.alloc(11, 'aGVsbG8gd29ybGQ=', 'base64');
- console.log(buf.toString());// hello world
encoding 的 源碼
我去翻了下 Node.js 關(guān)于 encoding 的源碼：
這一段是實(shí)現(xiàn) encoding 的：
https://github.com/nodejs/node/blob/master/lib/buffer.js#L587-L726
可以看到每個(gè) encoding 都實(shí)現(xiàn)了 encoding、encodingVal、byteLength、write、slice、indexOf 這幾個(gè) api，因?yàn)檫@些 api 用不同 encoding 方案，會(huì)有不同的結(jié)果，Node.js 會(huì)根據(jù)傳入的 encoding 來(lái)返回不同的對(duì)象，這是一種多態(tài)的思想。
- const encodingOps = {
- utf8: {
- encoding: 'utf8',
- encodingVal: encodingsMap.utf8,
- byteLength: byteLengthUtf8,
- write: (buf, string, offset, len) => buf.utf8Write(string, offset, len),
- slice: (buf, start, end) => buf.utf8Slice(start, end),
- indexOf: (buf, val, byteOffset, dir) =>
- indexOfString(buf, val, byteOffset, encodingsMap.utf8, dir)
- },
- ucs2: {
- encoding: 'ucs2',
- encodingVal: encodingsMap.utf16le,
- byteLength: (string) => string.length * 2,
- write: (buf, string, offset, len) => buf.ucs2Write(string, offset, len),
- slice: (buf, start, end) => buf.ucs2Slice(start, end),
- indexOf: (buf, val, byteOffset, dir) =>
- indexOfString(buf, val, byteOffset, encodingsMap.utf16le, dir)
- },
- utf16le: {
- encoding: 'utf16le',
- encodingVal: encodingsMap.utf16le,
- byteLength: (string) => string.length * 2,
- write: (buf, string, offset, len) => buf.ucs2Write(string, offset, len),
- slice: (buf, start, end) => buf.ucs2Slice(start, end),
- indexOf: (buf, val, byteOffset, dir) =>
- indexOfString(buf, val, byteOffset, encodingsMap.utf16le, dir)
- },
- latin1: {
- encoding: 'latin1',
- encodingVal: encodingsMap.latin1,
- byteLength: (string) => string.length,
- write: (buf, string, offset, len) => buf.latin1Write(string, offset, len),
- slice: (buf, start, end) => buf.latin1Slice(start, end),
- indexOf: (buf, val, byteOffset, dir) =>
- indexOfString(buf, val, byteOffset, encodingsMap.latin1, dir)
- },
- ascii: {
- encoding: 'ascii',
- encodingVal: encodingsMap.ascii,
- byteLength: (string) => string.length,
- write: (buf, string, offset, len) => buf.asciiWrite(string, offset, len),
- slice: (buf, start, end) => buf.asciiSlice(start, end),
- indexOf: (buf, val, byteOffset, dir) =>
- indexOfBuffer(buf,
- fromStringFast(val, encodingOps.ascii),
- byteOffset,
- encodingsMap.ascii,
- dir)
- },
- base64: {
- encoding: 'base64',
- encodingVal: encodingsMap.base64,
- byteLength: (string) => base64ByteLength(string, string.length),
- write: (buf, string, offset, len) => buf.base64Write(string, offset, len),
- slice: (buf, start, end) => buf.base64Slice(start, end),
- indexOf: (buf, val, byteOffset, dir) =>
- indexOfBuffer(buf,
- fromStringFast(val, encodingOps.base64),
- byteOffset,
- encodingsMap.base64,
- dir)
- },
- hex: {
- encoding: 'hex',
- encodingVal: encodingsMap.hex,
- byteLength: (string) => string.length >>> 1,
- write: (buf, string, offset, len) => buf.hexWrite(string, offset, len),
- slice: (buf, start, end) => buf.hexSlice(start, end),
- indexOf: (buf, val, byteOffset, dir) =>
- indexOfBuffer(buf,
- fromStringFast(val, encodingOps.hex),
- byteOffset,
- encodingsMap.hex,
- dir)
- }
- };
- function getEncodingOps(encoding) {
- encoding += '';
- switch (encoding.length) {
- case 4:
- if (encoding === 'utf8') return encodingOps.utf8;
- if (encoding === 'ucs2') return encodingOps.ucs2;
- encoding = StringPrototypeToLowerCase(encoding);
- if (encoding === 'utf8') return encodingOps.utf8;
- if (encoding === 'ucs2') return encodingOps.ucs2;
- break;
- case 5:
- if (encoding === 'utf-8') return encodingOps.utf8;
- if (encoding === 'ascii') return encodingOps.ascii;
- if (encoding === 'ucs-2') return encodingOps.ucs2;
- encoding = StringPrototypeToLowerCase(encoding);
- if (encoding === 'utf-8') return encodingOps.utf8;
- if (encoding === 'ascii') return encodingOps.ascii;
- if (encoding === 'ucs-2') return encodingOps.ucs2;
- break;
- case 7:
- if (encoding === 'utf16le' ||
- StringPrototypeToLowerCase(encoding) === 'utf16le')
- return encodingOps.utf16le;
- break;
- case 8:
- if (encoding === 'utf-16le' ||
- StringPrototypeToLowerCase(encoding) === 'utf-16le')
- return encodingOps.utf16le;
- break;
- case 6:
- if (encoding === 'latin1' || encoding === 'binary')
- return encodingOps.latin1;
- if (encoding === 'base64') return encodingOps.base64;
- encoding = StringPrototypeToLowerCase(encoding);
- if (encoding === 'latin1' || encoding === 'binary')
- return encodingOps.latin1;
- if (encoding === 'base64') return encodingOps.base64;
- break;
- case 3:
- if (encoding === 'hex' || StringPrototypeToLowerCase(encoding) === 'hex')
- return encodingOps.hex;
- break;
- }
- }
總結(jié)
計(jì)算機(jī)中存儲(chǔ)數(shù)據(jù)的最小單位是位，但是存儲(chǔ)信息最小的單位是字節(jié)，基于編碼和字符的映射關(guān)系又實(shí)現(xiàn)了各種字符集，包括 ascii、iso、gbk 等，而國(guó)際標(biāo)準(zhǔn)化組織提出了 unicode 來(lái)包含所有字符，unicode 實(shí)現(xiàn)方案有若干種：utf-8、utf-16、utf-32，他們分別用不同的字節(jié)數(shù)來(lái)存儲(chǔ)字符。其中 utf-8 是變長(zhǎng)的，存儲(chǔ)體積最小，所以被廣泛應(yīng)用。
Node.js 通過(guò) Buffer 存儲(chǔ)二進(jìn)制數(shù)據(jù)，而轉(zhuǎn)為字符串時(shí)需要指定編碼方案，這個(gè)編碼方案不只是包含字符集(charset)，也支持 hex、base64 的方案，包括：
utf8、ucs2、utf16le、latin1、ascii、base64、hex
我們看了下 encoding 的 Node.js 源碼，發(fā)現(xiàn)每種編碼方案都會(huì)用實(shí)現(xiàn)一系列 api，這是一種多態(tài)的思想。
