移动前端手机输入法自带emoji表情字符处理

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？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😊 。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。

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JavaScript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ucs-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 《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ucs-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？

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 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。

　　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。

128512不正好是我们的实体编码😀 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。我们知道，被除数=除数×商+余数。那么，我们也可以反过来，求得C/0x400的商，再加上C/0x400的余，不就能算出C了吗。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
 * @param  {string} str 将要转换的字符串，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：

　　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。