移动前端手机输入法自带emoji表情字符处理

àì夳堔傛蜴生んèń 2022-08-18 15:13 206阅读 0赞

# [移动前端手机输入法自带emoji表情字符处理][emoji] #

#     今天，测试给我提了一个BUG，说移动端输入emoji表情无法提交。很早以前就有思考过，[手机][Link 1]输入法里自带的emoji表情，应该是某些特殊字符。既然是字符，那应该都能提交才对，可是为啥会被卡住呢？搜了一下，才发现，原来emoji用到的字符是4字节的utf-16（utf-16有2字节和4字节两种编码），而我们的[数据库][Link 2]是采用的utf-8，并且最大只允许3字节的字符。这样冲突就产生了，表单因为这些emoji字符的存在无法提交。 #

找到原因之后，接下来就要考虑[解决方案][Link 3]了。目前考虑到的两种方案，一是让后台处理，把这个utf-16字符做一些转换（这里不做讨论）。第二种办法就是在前端直接转换成实体字符后再提交。这样，后台不用做任何处理，用户的提交的信息也得以保留，是不是一个两全其美的办法呢？![大笑][1649833062138011.gif]接下来我们要讨论的就是怎么把emoji表情字符转换成实体字符。

首先，我们来看看手机输入法里自带的emoji字符是什么样。下面截了一张图，来自 http://computerism.ru/emoji-smiles.htm 。我们看到，每个emoji表情字符对应的实体字符编码都比较大，如第一行的笑脸，实体字符为&\#128522; 。而且，我们注意到，后面还有一个16进制的编码 D83DDE0A。那这个编码是干嘛用的？接着往下看。

![1649833062138013.png][]

一、字符检测

要想把这些emoji表情字符转换成实体字符，那么就要先把它们检测出来。说到字符检测，我们的正则这时就该上场了。首先我们得确定这些字符的范围。前面我们已经知道，emoji表情字符用的是4字节的utf-16编码，而4字节的utf-16编码不被后台接受。所以，我们的检测范围就变成了把所有4字节的utf-16编码检测出来。我们通过搜索查到，4字节的utf-16编码范围为U+010000到U+10FFFF，那么，我们的正则是不是可以这么写：/\[\\u010000-\\u10FFFF\]/g ？ NO，你会发现这个正则完全不能按我们预期工作。这是为什么呢？

上面这个问题，一些童鞋可能已经知道答案了。没错，就是[Java][]script的编码问题引起的。我们知道，[javascript][]采用的是unicode编码，再准确一点说，是ucs-2编码。从名字上，我们就已经知道，这种编码方案是2字节的。在2字节的编码中找4字节的字符，很显然并没那么简单。所以，我们得考虑一下，这个utf-16在usc-2编码中是如何表示的呢？这里，我搜到了我们可爱的传教士——阮老师的一篇[文章][Link 4] 《Unicode与JavaScript详解》(http://www.ruanyifeng.com/blog/2014/12/unicode.html) 。 简单来说，就是把utf-16的4字节字符，拆分成两个usc-2的2字节字符。具体算法可参考阮老师的上述文章，本文就不详细讨论了。从阮老师的文章中，我们已经知道了，4字节utf-16在js中被用两个字符来表示，高位范围为0xD800 - 0xDBFF，低位范围为0xDC00 - 0xDFFF。那么我们用于检测的正则[表达式][Link 5]也就出来了：/\[\\uD800-\\uDBFF\]\[\\uDC00-\\uDFFF\]/g 。现在再回过头看看我们第一张图的那串16进制，D83DDE0A、D83DDE03，是不是突然就明白了呢？![大笑][1649833062138011.gif]

二、转换算法

现在，我们已经能够检测出表单里的emoji表情字符。那么，重头戏来了，我们怎么把这个字符转换成实体字符呢？我们知道，实体字符是用来表示单个字符的编码，而我们的emoji表情，在js里，却是用两个字符来表示的。这可怎么办？等等，谁说emoji是两个字符，说好的4字节单字符呢？没错，一开始emoji就是用utf-16表示的啊![尴尬][1649833062138012.gif] 这里，我又参考了另一篇文章，http://unicode-table.com/cn/sets/emoji/，以下截了一部分图以做说明。

![1649833062138014.png][]

我们还是以那个笑脸的字符为例，其utf-16编码为U+1F600，我们转成十进制看看。

![1649833062138015.png][]

128512不正好是我们的实体编码&\#128512; 吗？所以，现在问题又变成了怎么取得emoji表情字符utf-16编码的问题了。可是，可是，我们刚刚已经知道了，在js里，emoji表情也是用ucs-2编码的啊，只不过变成了用两个字符来表示。那么，我们的问题最终演变成了怎么从ucs-2编码转换成utf-16编码的问题。

感谢阮老师，在阮老师的那篇文章中，有提到utf-16转ucs-2(unicode)的公式

H = Math.floor((c-0x10000) / 0x400)+0xD800 // 高位 L = (c - 0x10000) % 0x400 + 0xDC00 // 低位　　可是，这个是utf-16转ucs-2，我们要的是ucs-2转utf-16啊？怎么办？推导回去呗。我们先看看这两个公式都做了什么。首先，高位的公式，把字符C减0x10000，再除0x400，取其商，再加0xD800。而低位则是字符C减0x1000，取除0x400的余，再加0xDC00。所以这个字符其实被分成了两部分：商和余，然后再把处理后的商做为高位，加上处理后的余做为低位，这样组合成了ucs-2字符。那么，我们也可以反过来，求得C/0x400的商，再加上C/0x400的余，相加不就能得到C。为了便于计算，我们用Q表示C的商，用M表示C的余，那么就有了以下公式：

H = Q - 0x10000 / 0x400 + 0xD800 L = M - 0x10000 % 0x400 + 0xDC00 C = Q \* 0x400 + M // 因为0x10000 % 0x400 = 0，故推得: H = Q - 0x10000 / 0x400 + 0xD800 L = M + 0xDC00 C = Q \* 0x400 + M // 根据C的公式，把H\*0x400再加L，得到： H \* 0x400 + L = Q \* 0x400 - 0x10000 / 0x400 \* 0x400 + 0xD800 \* 0x400 + M + 0xDC00 // 最后把Q \* 0x400 + M换成C，得到： H \* 0x400 + L = C - 0x10000 + 0xD800 \* 0x400 + 0xDC00 // 移项后，我们最终的公式为： C = (H - 0xD800) \* 0x400 + 0x10000 + L - 0xDC00 　　公式出来之后，相信大家已经知道怎么做了，不过最后还是献一下丑，把我自己写的一个处理函数提供给大家参考：

/\*\* \* 用于把用utf16编码的字符转换成实体字符，以供后台[存储][Link 6] \* @param \{string\} str 将要转换的[字符串][Link 7]，其中含有utf16字符将被自动检出 \* @return \{string\} 转换后的字符串，utf16字符将被转换成&\#xxxx;形式的实体字符 \*/ function utf16toEntities(str) \{ var patt=/\[\\ud800-\\udbff\]\[\\udc00-\\udfff\]/g; // 检测utf16字符正则 str = str.replace(patt, function(char)\{ var H, L, code; if (char.length===2) \{ H = char.charCodeAt(0); // 取出高位 L = char.charCodeAt(1); // 取出低位 code = (H - 0xD800) \* 0x400 + 0x10000 + L - 0xDC00; // 转换算法 return "&\#" + code + ";"; \} else \{ return char; \} \}); return str; \}

运行结果如下：

![1649833062138016.png][]

细心的童鞋，在刚刚看那些参考文章的时候，也许已经发现了，其实并不是所有的emoji表情字符都是utf-16编码的，也有一部分落在了ucs-2编码的范围（即只用了两个字节）。不过这都不是重点，重点是，我们已经成功的把utf-16编码部分的emoji表情转换为了实体字符。

[emoji]: http://www.07net01.com/2015/08/896224.html
[Link 1]: http://www.07net01.com/tags-%E6%89%8B%E6%9C%BA-0.html
[Link 2]: http://www.07net01.com/tags-%E6%95%B0%E6%8D%AE%E5%BA%93-0.html
[Link 3]: http://www.wredian.com/tags-%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88-0.html
[1649833062138011.gif]: http://img3.07net01.com/upload/images/2015/08/06/1649833062138011.gif
[1649833062138013.png]: http://img3.07net01.com/upload/images/2015/08/06/1649833062138013.png
[Java]: http://www.07net01.com/tags-Java-0.html
[javascript]: http://www.07net01.com/tags-javascript-0.html
[Link 4]: http://www.07net01.com/2015/07/860262.html
[Link 5]: http://www.07net01.com/tags-%E8%A1%A8%E8%BE%BE%E5%BC%8F-0.html
[1649833062138012.gif]: http://img3.07net01.com/upload/images/2015/08/06/1649833062138012.gif
[1649833062138014.png]: http://img3.07net01.com/upload/images/2015/08/06/1649833062138014.png
[1649833062138015.png]: http://img3.07net01.com/upload/images/2015/08/06/1649833062138015.png
[Link 6]: http://www.07net01.com/storage_networking/
[Link 7]: http://www.07net01.com/tags-%E5%AD%97%E7%AC%A6%E4%B8%B2-0.html
[1649833062138016.png]: http://img3.07net01.com/upload/images/2015/08/06/1649833062138016.png