JS 字串轉 GBK 編碼超精簡實現

前言

JS 中 GBK 編碼轉字串是非常簡單的，直接呼叫 TextDecoder 即可：

const gbkBuf = new Uint8Array([196, 227,   186, 195,   49, 50, 51])
new TextDecoder('gbk').decode(gbkBuf)   // "你好123"

但反過來，字串轉 GBK 編碼卻沒這麼簡單，因為 TextEncoder 無法指定字集，只能將字串轉成 UTF-8 編碼的二進位制資料。

因此業內絕大多數的解決方案都是使用第三方編碼庫，例如 iconv。由於這些庫打包了大量字集資料，體積非常可觀，即便是精簡版的 iconv-lite 也有幾百 kB，這在瀏覽器端顯然很不完美。我們希望只用幾百位元組就能解決！

遍歷

查閱資料可得，GBK 其實只有兩萬多個字元，因此最簡單的辦法就是「暴力窮舉」。藉助 TextDecoder 可遍歷出每個 GBK 對應的 JS 字元，之後的編碼過程無非就是查表而已。

事實上 GBK 的編碼範圍是有規律的：

https://en.wikipedia.org/wiki/GBK_(character_encoding)

因此只需在預定範圍中遍歷，即使多花十幾行程式碼但能提高效能，也是值得的。

const ranges = [
  [0xA1, 0xA9,  0xA1, 0xFE],
  [0xB0, 0xF7,  0xA1, 0xFE],
  [0x81, 0xA0,  0x40, 0xFE],
  [0xAA, 0xFE,  0x40, 0xA0],
  [0xA8, 0xA9,  0x40, 0xA0],
  [0xAA, 0xAF,  0xA1, 0xFE],
  [0xF8, 0xFE,  0xA1, 0xFE],
  [0xA1, 0xA7,  0x40, 0xA0],
]
const codes = new Uint16Array(23940)
let i = 0

for (const [b1Begin, b1End, b2Begin, b2End] of ranges) {
  for (let b2 = b2Begin; b2 <= b2End; b2++) {
    if (b2 !== 0x7F) {
      for (let b1 = b1Begin; b1 <= b1End; b1++) {
        codes[i++] = b2 << 8 | b1
      }
    }
  }
}
const str = new TextDecoder('gbk').decode(codes)

// 編碼表
const table = new Uint16Array(65536)
for (let i = 0; i < str.length; i++) {
  table[str.charCodeAt(i)] = codes[i]
}

如果每遍歷一個 GBK 就呼叫一次 TextDecoder，那顯然是十分低效的。因此我們將所有 GBK 集中存放在上述 codes 陣列中，最後只呼叫一次 TextDecoder 批次轉換。

這個初始化過程只需 1ms ~ 2ms，開銷非常低。

查表

有了對映表，編碼時直接查表即可：

function stringToGbk(str) {
  const buf = new Uint16Array(str.length)
  for (let i = 0; i < str.length; i++) {
    const code = str.charCodeAt(i)
    buf[i] = table[code]
  }
  return new Uint8Array(buf.buffer)
}

stringToGbk('你好')   // [196, 227,   186, 195]

輸出結果和本文開頭演示的一致。

不過上述忽略了 ASCII 範圍，如果傳入「你好123」就有問題了。由於 GBK 的 ASCII 部分是單位元組儲存的，因此編碼邏輯需調整：

function stringToGbk(str) {
  const buf = new Uint8Array(str.length * 2)
  let n = 0

  for (let i = 0; i < str.length; i++) {
    const code = str.charCodeAt(i)
    if (code < 0x80) {
      buf[n++] = code
    } else {
      const gbk = table[code]
      buf[n++] = gbk & 0xFF
      buf[n++] = gbk >> 8
    }
  }
  return buf.subarray(0, n)
}

stringToGbk('你好123')    // [196, 227,   186, 195,   49, 50, 51]

輸出結果和本文開頭演示的一致。

出於效能考慮，這裡使用 Uint8Array 而不是 Array。但 Uint8Array 長度是固定的，申請後不能改變，因此假設輸入的字串中都是非 ASCII 字元，從而確保緩衝區充足，最後返回時再擷取。（使用 subarray 參照，無需複製）

完善

如果編碼時傳入了 GBK 不支援的字元，按上述邏輯將會變成 0 字元，因為 table 空缺位置預設為 0。而 0 本身也是 GBK 的一部分，因此並不完善。

因此我們可將 table 填充成其他值，之後查表時出現該值，可作為例外處理。

此外根據百科上科普，微軟基於 GBK 實現的 Code page 936 多一個 0x80 字碼，對應的字元是歐元符號 €。

試了下，即使非 Windows 系統的瀏覽器也支援：

const gbkBuf = new Uint8Array([0x80])
new TextDecoder('gbk').decode(gbkBuf)   // "€"

演示：https://jsbin.com/vuxawul/edit?html,output

最終實現：https://github.com/EtherDream/str2gbk

使用這種方案，幾十行程式碼幾百位元組就能實現 GBK 編碼，並且效能非常高。