前端做輸入長度限制時,若只看 str.length 會與資料庫的容量對不上。原因是資料庫的 varchar(10) 算的是位元組,而不是字元數。
以 GBK 資料庫為例,某欄位設為 varchar(10),實際上只能存 5 個中文(每個中文佔 2 個位元組)。若換成 UTF-8 編碼,每個中文佔 3 個位元組,那麼同樣的 10 個位元組就只放得下 3 個中文加 1 個英文字母。
換句話說:GBK 下遇到中文就加 2,UTF-8 下遇到中文就加 3,英文與數字一律加 1。掌握這個規則,就能算出一個字串的實際佔用長度。
// GBK 字符集實際長度計算
function getStrLeng(str){
var realLength = 0;
var len = str.length;
var charCode = -1;
for(var i = 0; i < len; i++){
charCode = str.charCodeAt(i);
if (charCode >= 0 && charCode <= 128) {
realLength += 1;
} else {
// 如果是中文則長度加 2
realLength += 2;
}
}
return realLength;
}
// UTF8 字符集實際長度計算
function getStrLeng(str){
var realLength = 0;
var len = str.length;
var charCode = -1;
for(var i = 0; i < len; i++){
charCode = str.charCodeAt(i);
if (charCode >= 0 && charCode <= 128) {
realLength += 1;
} else {
// 如果是中文則長度加 3
realLength += 3;
}
}
return realLength;
}
上面兩個函式用「charCode 是否 <= 128」來判斷是不是 ASCII,對純中文情境夠用,但嚴格說來並不精確:
第一,UTF-8 其實是 1 到 4 個位元組變長的。拉丁字母 supplement、希臘字母、日文假名等大多佔 2 位元組, CJK 基本區中文佔 3 位元組,emoji 與部分罕用字(在 surrogate pair 範圍內)則佔 4 位元組。一律當 3 處理,遇到 emoji 就會算少。
第二,charCodeAt 回傳的是 UTF-16 代碼單元。對於 BMP 以外的字元,一次迴圈只處理半個字元,這也是為什麼 "😀".length 等於 2 而非 1。
第三,charCode >= 0 這個判斷永遠成立,寫著只是為了保險,可以刪掉。
如果目標是「算出 UTF-8 位元組數」,現代的 TextEncoder 一行就解決,完全不必自己寫:
function utf8Length(str){
return new TextEncoder().encode(str).length;
}
若還要兼顧 GBK,瀏覽器原生並不支援 GBK 編碼計算,此時可以保留上面的近似函式,並在註解中標明「以中文 2 位元組估算」。真正的把關仍應放在後端:由伺服器依資料庫實際編碼在寫入前做長度驗證,前端只是提前提示,避免使用者填完一大堆才發現被截斷。