Длина строки в байтах в JavaScript

В моем JavaScript-коде мне нужно написать сообщение серверу в таком формате:

<size in bytes>CRLF
<data>CRLF

Пример:

3
foo

Данные могут содержать символы Юникода. Мне нужно отправить их как UTF-8.

Я ищу самый кросс-браузерный способ вычисления длины строки в байтах в JavaScript.

Я пробовал это, чтобы составить полезную нагрузку:

return unescape(encodeURIComponent(str)).length + "\n" + str + "\n"

Но это не дает мне точных результатов для старых браузеров (или, может быть, строк в этих браузерах в UTF-16?).

Любые подсказки?

Update:

Пример: длина в байтах строки ЭЭХ! Naïve? в UTF-8 составляет 15 байт, но некоторые браузеры указывают вместо этого 23 байта.

Ответы

Ответ 1

~~Нет никакого способа сделать это в JavaScript изначально.~~ (См. Риккардо Галли ответ для современного подхода.)

Для исторической справки или в тех случаях, когда API-интерфейсы TextEncoder все еще недоступны.

Если вы знаете кодировку символов, вы можете вычислить ее самостоятельно.

encodeURIComponent предполагает UTF-8 в качестве кодировки символов, поэтому, если вам нужна эта кодировка, вы можете сделать это,

function lengthInUtf8Bytes(str) {
  // Matches only the 10.. bytes that are non-initial characters in a multi-byte sequence.
  var m = encodeURIComponent(str).match(/%[89ABab]/g);
  return str.length + (m ? m.length : 0);
}

Это должно работать из-за способа, которым UTF-8 кодирует многобайтовые последовательности. Первый кодированный байт всегда начинается либо с старшего бита нуля для одной последовательности байтов, либо с байта, чья первая шестнадцатеричная цифра - C, D, E или F. Второй и последующие байты - это те, чьи первые два бита равны 10 Это те дополнительные байты, которые вы хотите считать в UTF-8.

Таблица в википедии проясняет ситуацию

Bits        Last code point Byte 1          Byte 2          Byte 3
  7         U+007F          0xxxxxxx
 11         U+07FF          110xxxxx        10xxxxxx
 16         U+FFFF          1110xxxx        10xxxxxx        10xxxxxx
...

Если вместо этого вам нужно понять кодировку страницы, вы можете воспользоваться этим трюком:

function lengthInPageEncoding(s) {
  var a = document.createElement('A');
  a.href = '#' + s;
  var sEncoded = a.href;
  sEncoded = sEncoded.substring(sEncoded.indexOf('#') + 1);
  var m = sEncoded.match(/%[0-9a-f]{2}/g);
  return sEncoded.length - (m ? m.length * 2 : 0);
}

Ответ 2

Прошли годы, и в настоящее время вы можете сделать это изначально

(new TextEncoder().encode('foo')).length

Обратите внимание, что он пока не поддерживается IE (или Edge) (для этого вы можете использовать полифилл).

Документация MDN

Стандартные спецификации

Ответ 3

Вот гораздо более быстрая версия, в которой не используются ни регулярные выражения, ни encodeURIComponent():

function byteLength(str) {
  // returns the byte length of an utf8 string
  var s = str.length;
  for (var i=str.length-1; i>=0; i--) {
    var code = str.charCodeAt(i);
    if (code > 0x7f && code <= 0x7ff) s++;
    else if (code > 0x7ff && code <= 0xffff) s+=2;
    if (code >= 0xDC00 && code <= 0xDFFF) i--; //trail surrogate
  }
  return s;
}

Вот сравнение производительности.

Он просто вычисляет длину в UTF8 каждой кодовой точки Unicode, возвращаемой charCodeAt() (на основе описаний UTF8 в Википедии и суррогатных символов UTF16).

Это следует RFC3629 (где символы UTF-8 имеют длину не более 4 байтов).

Ответ 4

Для простой кодировки UTF-8, с немного лучшей совместимостью, чем TextEncoder, Blob делает трюк. Однако не работает в очень старых браузерах.

new Blob(["😀"]).size; // -> 4

Ответ 5

Эта функция вернет размер байта любой строки UTF-8, которую вы передадите ей.

function byteCount(s) {
    return encodeURI(s).split(/%..|./).length - 1;
}

Источник

Ответ 6

Другой очень простой подход с использованием Buffer (только для NodeJS):

Buffer.from(string).length

Ответ 7

Собственно, я понял, что случилось. Для работы кода страница <head> должна иметь этот тег:

<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />

Или, как было предложено в комментариях, если сервер отправляет заголовок HTTP Content-Encoding, он также должен работать.

Затем результаты из разных браузеров согласованы.

Вот пример:

<html>
<head>
  <meta http-equiv="Content-Type" content="text/html; charset=utf-8" /> 
  <title>mini string length test</title>
</head>
<body>

<script type="text/javascript">
document.write('<div style="font-size:100px">' 
    + (unescape(encodeURIComponent("ЭЭХ! Naïve?")).length) + '</div>'
  );
</script>
</body>
</html>

Примечание. Я подозреваю, что указание какой-либо (точной) кодировки устранит проблему кодирования. Просто совпадение мне нужно UTF-8.

Ответ 8

Вот независимый и эффективный метод подсчета байтов UTF-8 строки.

//count UTF-8 bytes of a string
function byteLengthOf(s){
	//assuming the String is UCS-2(aka UTF-16) encoded
	var n=0;
	for(var i=0,l=s.length; i<l; i++){
		var hi=s.charCodeAt(i);
		if(hi<0x0080){ //[0x0000, 0x007F]
			n+=1;
		}else if(hi<0x0800){ //[0x0080, 0x07FF]
			n+=2;
		}else if(hi<0xD800){ //[0x0800, 0xD7FF]
			n+=3;
		}else if(hi<0xDC00){ //[0xD800, 0xDBFF]
			var lo=s.charCodeAt(++i);
			if(i<l&&lo>=0xDC00&&lo<=0xDFFF){ //followed by [0xDC00, 0xDFFF]
				n+=4;
			}else{
				throw new Error("UCS-2 String malformed");
			}
		}else if(hi<0xE000){ //[0xDC00, 0xDFFF]
			throw new Error("UCS-2 String malformed");
		}else{ //[0xE000, 0xFFFF]
			n+=3;
		}
	}
	return n;
}

var s="\u0000\u007F\u07FF\uD7FF\uDBFF\uDFFF\uFFFF";
console.log("expect byteLengthOf(s) to be 14, actually it is %s.",byteLengthOf(s));

Ответ 9

Мне понадобилось время, чтобы найти решение для React Native, поэтому я выложу его здесь:

Сначала установите buffer пакет:

npm install --save buffer

Затем используйте метод узла:

const { Buffer } = require('buffer');
const length = Buffer.byteLength(string, 'utf-8');

Ответ 10

Это будет работать для символов BMP и SIP/SMP.

    String.prototype.lengthInUtf8 = function() {
        var asciiLength = this.match(/[\u0000-\u007f]/g) ? this.match(/[\u0000-\u007f]/g).length : 0;
        var multiByteLength = encodeURI(this.replace(/[\u0000-\u007f]/g)).match(/%/g) ? encodeURI(this.replace(/[\u0000-\u007f]/g, '')).match(/%/g).length : 0;
        return asciiLength + multiByteLength;
    }

    'test'.lengthInUtf8();
    // returns 4
    '\u{2f894}'.lengthInUtf8();
    // returns 4
    'سلام علیکم'.lengthInUtf8();
    // returns 19, each Arabic/Persian alphabet character takes 2 bytes. 
    '你好，JavaScript 世界'.lengthInUtf8();
    // returns 26, each Chinese character/punctuation takes 3 bytes.

Ответ 11

В NodeJS Buffer.byteLength - это метод специально для этой цели:

let strLengthInBytes = Buffer.byteLength(str); // str is UTF-8

Обратите внимание, что по умолчанию метод предполагает, что строка находится в кодировке UTF-8. Если требуется другая кодировка, передайте ее в качестве второго аргумента.

Ответ 12

Вы можете попробовать следующее:

function getLengthInBytes(str) {
  var b = str.match(/[^\x00-\xff]/g);
  return (str.length + (!b ? 0: b.length)); 
}

Это работает для меня.