JSON 序列化中的转义和 Unicode 编码

amc · · 3746 次点击 · · 开始浏览    
这是一个创建于 的文章,其中的信息可能已经有所发展或是发生改变。

本文比较完整地整理一下 JSON 编码中的转义,以及 JSON 对 Unicode 编码的处理。

其实这是我上一篇文章的姊妹篇。在研究 Unicode 颜文字的时候,由于我们的数据传输是通过 JSON 串来完成的,在对颜文字进行转码传输的过程中,也发现了一个问题。解决问题之后,便有了本总结文。

JSON 中的普通转义字符

个人认为,JSON 是目前针对程序员而言可读性(readability)最佳的数据传输格式之一,并且 JSON 完整地考虑到了数据传输中的转义,避免出现各种注入风险。当对 JSON 进行序列化操作时(Go 中称为 marshal),根据 JSON 标准的说明,需要对字符串中的以下字符进行转义:

符号 名称 转义后的字符串
" 双引号 \"
/ 斜杠 \/
\ 反斜杠 \\
\b 退格符 \b
\f 垂直制表符 \f
Tab 水平制表符 \t
\r 回车 \r
\n 换行符 \n
< 左尖括号 \u003C
> 右尖括号 \u003E
& And 符号 \u0026

另外针对 Go 语言,个人建议再转义一个百分号 %\u0025,原因是在 Go 的各种字符串格式化操作中,百分号是一个关键字符,这样可以避免在打日志或者其他设计格式化的操作时出现错误。

JSON 中针对 Unicode 字符的处理

这里所说的 Unicode 字符,准确而言指的是在 ASCII 范围之外的字符,也就是值大于 0x7F 的 Unicode 字符。

其实大部分情况下,UTF-8 已经成为现代编程语言约定俗成的标准了,因此在 JSON 序列化时,只要简单地对 Unicode 字符的值转为二进制然后按照网络字节序打包就可以了。

但是在某些情况下,当对端采用的不是 UTF-8,或者是对端采用的不是网络字节序时(比如对方是技术底下/落后、但却话语权强大的客户/合作商/集成商),这个时候,大家统一采用 ASCII 编码,就能够避免这些问题了。

那么 JSON 是怎么使用 ASCII 编码来传输 Unicode 的呢?从前文的转义其实就可以一窥端倪了——JSON 采用的是 \uXXXX 的形式来表示一个 Unicode 字符的。每个 Unicode 字符表示法中,XXXX 必须是4个十六进制数,即便高位为0也需要补全。通过这种方式,编码和传输 Unicode 字符。在 ASCII 为主的数据传输中,这种编码方式比较稳妥,并且不会额外增加过多的数据量。当然对于 Unicode 字符比较多的情况下(比如大量的中文),这就需要程序员考虑一下额外带来的网络花销了。

大于 0xFFFF 的 Unicode 字符的编码

读者可能会注意到了,\uXXXX 格式最大只能支持到 0xFFFF,但 Unicode 早就已经超过了这个范围。大于 65535 的字符要怎么表示呢?首先,绝对不是简单地采用 uXXXXX,这会导致编码错误。

针对大于 65535 的字符,JSON 采用的是 UTF-16 编码。UTF-16 采用了 Unicode 的一个特性:不超过20位。
比如我们用 u 代表这样的一个字符,UTF-16 的处理方法如下:

  • 首先,u = u - 0x10000
  • hi 等于做了减法之后的 u 的高10位:hi = (u & 0xFFC00) >> 10
  • lo 等于做了减法之后的 u 的低10位:lo = u & 0x003FF
  • 高位加上 0xD800 后进行 \u 编码
  • 低位加上 0xDC00 后进行 \u 编码

举例说明:代表地球的颜文字符号 “????”,其编码值为 0x1F30D,按照 UTF-16 编码过程为:

  • u = 0x1F30D - 0x10000 = 0xF30D,二进制为:1111 0011 0000 1101
  • 高10位等于 0000111100,低10位等于 1100001101
  • 高位值 0x03C 做加法之后等于 0xD83C
  • 低位值 0x30D 做加法之后等于 0xDF0D
  • 最终编码为 \uD83C\uDF0D

比如以下的 JSON:

{
    "string":"我是地球????"
}

按照 ASCII 序列化之后,结果为:

{"string":"\u6211\u662F\u5730\u7403\uD83C\uDF0D"}

参考资料


本文章采用 知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议 进行许可。

原作者: amc,欢迎转载,但请注明出处。

原文标题:JSON 序列化中的转义和 Unicode 编码

发布日期:2020-05-31

本文链接:https://segmentfault.com/a/1190000022797773

本文最早发布于:https://cloud.tencent.com/developer/article/1336510,也是本人的博客

Copyright


有疑问加站长微信联系(非本文作者)

本文来自:Segmentfault

感谢作者:amc

查看原文:JSON 序列化中的转义和 Unicode 编码

入群交流(和以上内容无关):加入Go大咖交流群,或添加微信:liuxiaoyan-s 备注:入群;或加QQ群:692541889

3746 次点击  
加入收藏 微博
暂无回复
添加一条新回复 (您需要 登录 后才能回复 没有账号 ?)
  • 请尽量让自己的回复能够对别人有帮助
  • 支持 Markdown 格式, **粗体**、~~删除线~~、`单行代码`
  • 支持 @ 本站用户;支持表情(输入 : 提示),见 Emoji cheat sheet
  • 图片支持拖拽、截图粘贴等方式上传