每日一博 | 不要小看小小的 emoji 表情
前言
好久没更新了,最近事比较多,或许下个月就会恢复到正常的发文频次。
这篇文章得从一个 emoji
表情开始,我之前开源的一个 IM
项目中有朋友提到希望可以支持 emoji
表情传输。
https://github.com/crossoverJie/cim/issues/12
正好那段时间有空,加上这功能看着也比较简单准备把它实现了。
<!--more-->
但在真正实现时却发现没那么简单。
我首先尝试将一个 emoji
表情存入数据库看看:
果不其然的出错了,导致这个异常的原因是目前数据库所支持的编码中并不能存放 emoji
,那 emoji
表情到底是个什么东西呢。
本质上来说计算机所存储的信息都是二进制 01
,emoji
也不例外,只要存储和读取(编解码)的方式一致那就可以准确的展示这个信息。
更多编解码的内容后文再介绍,这里先想想如何快速解决问题。
存储 emoji
虽说想要在 MySQL
中存储 emoji
的方式也有好几种,比如可以升级存储字符集到可以存放 emoji
,但这种需要 MySQL
的版本支持。
所以更保险的方式还是在应用层解决,比如我们是否可以将 emoji 当做字符串存储,只是显示的时候要格式化为一个 emoji 表情,这样对于所有的数据库版本都可兼容。
于是我们这里的需求是一个 emoji
表情转换为字符串,同时还得将这个字符串转换为 emoji。
为此我在 GitHub
上找到了一个库,它可以方便的将一个 emoji
转换为字符串的别名,同时也支持将这个别名转换为 emoji
。
https://github.com/vdurmont/emoji-java
@Test public void emoji() throws Exception{ String str = "An :grinning:awesome :smiley:string 😄with a few :wink:emojis!"; String result = EmojiParser.parseToUnicode(str); System.out.println(result); result = EmojiParser.parseToAliases(str); System.out.println(result); }
所以基于这个基础库最终实现了表情功能。
其实它本质上是自己维护了一个 emoji 的别名及它的 Unicode 编码(本质上是 UTF-16
)的映射关系,再每次格式化数据的时候都会从这个表中进行翻译。
编码知识回顾
自此需求是完成了,但还有几个问题待解决。
Java
中是如何存储emoji
的?emoji
是如何进行编码的?
ASCII
在谈 emoji
之前非常有必要了解下计算机编码鼻祖的 ASCII 码。
大家现在都知道在计算机内部存储数据本质上都是二进制的 0/1,对于一个字节来说有 8 位;每一位可以表示两种状态,也就是 0 或 1,这样排列组合下来,一个字节就可以表示 256(2∧8) 种不同的状态。
对于美国来说他们日常使用的英语只需要 26 个英文字母,再加上一些标点符号就足够用计算机来进行信息交流。
于是上个世纪 60年代定义了一套二进制与英文字符的映射关系,可以表明 128 个不同的英文字符,也就是现在的 ASCII
码。
这样我们就可以使用一个字节来表示现代英文,看起来非常不错。
Unicode
随着计算机的发展,逐渐在欧洲、亚洲地区流行;再利用这套 ASCII
码进行信息交流显然是不行的,很多地区压根就不使用英文,而且也远超了 128 位字符(中文就更不用说了)。
虽说一个字节在 ASCII
码中只用了 128
位,但剩下(258-128
)的依然不足用用于描述其他语言。
这时如果能有一种包含了世界上所有的文字的字符集,每一个地区的文字都在这个字符集中有唯一的二进制表示,这样便不会出现乱码问题了。
Unicode
就是来做这个的,截止目前 Unicode
已经收录了 10W+ 的字符,你所能使用的字符都包含进去了。
UTF-8
Unicode
虽说包含了几乎所有的文字,但在我们日常使用好像很少看到他的身影,我们用的更多的还是 UTF-8
这样的编码规则。
这也有几方面的原因,比如说除开英文,其他大部分的文字都需要用 2 个甚至更多的字节来表示;如果统一都用 Unicode 来表示,那必然需要以占用字节最多的字符长度为标准。
比如汉字需要 2 个字节来表示,而英文只需要一个字节;这时就得规定 2 个字节表示一个字符,不然汉字就没法表示了。
但这样也会带来一个问题:用两个字节表示英文会使得第一个字节完全是浪费的,如果一段信息全是英文那对内存的浪费是巨大的。
这时大家应该都能想到,我们需要一个可变的长度的字符编码规则,当是英文时我们就用一个字节表示,甚至可以完全兼容 ASCII 码。
UTF-8 便是实现这个需求的,它利用两种规则可以表示一个字节以及多字节的字符。
大致规则如下:
- 当第一个字节的第一位为 0 时便表示为单字节字符,此时和 ASCII 码一致,完全兼容。
- 当第一个字节为 1 时,有几个 1 便代表是几个字节 Unicode 字符。
这样便可根据字符的长度最大程度的节省存储空间。
当然还有其他的编码规则,比如 UTF-16
、UTF-32
,平时用的不多,但本质上都和 UTF-8
一样,都是 Unicode
的不同实现,也是用于表示世界上大部分文字的字符集。
Java 中的 emoji
现在来回到本次的主题,emoji
。
刚才说到 Unicode
包含了世界上大部分的字符,emoji
自然也不例外。
https://apps.timwhitlock.info/emoji/tables/unicode
这个表格中包含了所有的 emoji
以及它所对应的 Unicode
编码,同时也有对应的 UTF-8
编码的实现。
从图中也可以看出 emoji
表情用 UTF-8
表示时会占用 4 个字节,那在 Java 中它会是怎么存储的呢?
很简单,debug 一下就知道了。
在 Java
中也是通过 char
来存储 emoji
的,char
作为基本数据类型会占用 2 个字节;从刚才的图中可以看出,emoji
使用 UTF-8
会占用四个字节,这样很明显 char
是没法存储的,所以在这里其实是使用 UTF-16
编码进行存储。
基于这个原理,我们也可以自己实现将一个 emoji
表情转换为字符串,同时也可通过字符串转换为 emoji
。
总结
从这次研究 emoji
可以看出,任何一门基础知识都是应用的根基,在计算机行业尤为突出,希望大家看完这篇能回忆起大学课堂被老师支配的恐惧😂。
随便提一下,相关源码可在这里查看:
https://github.com/crossoverJie/cim
你的点赞与分享是对我最大的支持
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
腾讯正式开源面向 Unity 项目的 Bug 修复神器 InjectFix
InjectFix是腾讯最新对外开源的Unity代码逻辑热修复方案,可实现在Unity线上客户端内,不用迭代新版本,就能快速修复游戏的线上bug。 先说几个亮点: 直接在Unity工程上修改C#即可更新;老项目无需修改原有代码即可使用; 更符合苹果热更新条款; 每个游戏一份私有补丁格式,安全更有保障。 InjectFix经腾讯内部多个项目应用反馈十分良好,不仅能解决线上bug,还可以有效的提高日常开发效率,下面我们聊下这项目的前世今生。 热更方案大乱斗 所有支持iOS的热更方案都有个共同点:更新后代码都是解析执行。如果按其更新前是否解析执行,可以分为两大类: 一类是某些模块甚至整个游戏,都一直解析执行。这是最传统的方式,目前市面上所有主流方案(xLua,slua,tolua,ILRuntime,jsb等等)都支持这种方式。这种方式的特点: 或多或少都会有些侵入性:ILRuntime解析执行C#编译后的程序集,在这些方案里头侵入性可能最小,但也需要对代码重构,把要更新的逻辑拆到单独程序集。各种非C#的脚本侵入性最大,一个已经完成的纯C#项目要用意味着重写。 ps:也有一种思路是通过一个C...
- 下一篇
Google 员工吐槽 TypeScript:我觉得你的类型检查不太好
近日名为 Evan Martin的 Google 员工在 TypeScript 的 GitHub repo 中发表了对 TypeScript 的“吐槽”(就是提了一个 issue),说吐槽可能不太合适,准确来说是对TypeScript 3.5 的使用反馈。 虽然 TypeScript 3.5 发布已有三个月(最新稳定版 3.6 已于上月月底发布),但 Google 开发团队最近才升级至 3.5 版本。使用一段时间后,开发者觉得不吐不快,于是便有了这篇质量颇高的使用反馈。是的,这里说的项目正是被众人使用的 Google —— 那个只有一个代码仓库且拥有数十亿行代码的 Google。 背景 开发团队面对的项目是拥有数十亿行代码的 Google,在团队内部,所有成员使用的是同一版本的 TypeScript 和同一组跨所有平台的编译器标记(compiler flag),如需升级,成员会协助为所有人同时升级这些标记。 Evan 说到,他和大家一样会期望 TypeScript 的新版本升级能带来一些改进。例如,Evan 表示自己希望并欢迎对标准库进行改进,即便这可能意味着需要从代码库中删除类似但不...
相关文章
文章评论
共有0条评论来说两句吧...