資料庫字符集為 UTF-8 時,我們常需要在頁面上用 JavaScript 驗證輸入文字以 UTF-8 儲存時佔用的位元組長度。但 JavaScript 的 String.length 算的是「字元數」而非「位元組數」,兩者並不相同。
偷懶的做法是把最大長度設為資料庫欄位的三分之一,但這樣並不精準。於是我們需要真正計算 UTF-8 的位元組數。網路上關於 Unicode 的文件提供了關鍵資訊——字符編碼值對應的儲存長度:
UCS-2 編碼(16進制) UTF-8 位元組流(二進制) 0000 - 007F 0xxxxxxx (1 位元組) 0080 - 07FF 110xxxxx 10xxxxxx (2 位元組) 0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx (3 位元組)
function mbStringLength(s) {
var totalLength = 0;
var i;
var charCode;
for (i = 0; i < s.length; i++) {
charCode = s.charCodeAt(i);
if (charCode < 0x007f) {
totalLength = totalLength + 1;
} else if ((0x0080 <= charCode) && (charCode <= 0x07ff)) {
totalLength += 2;
} else if ((0x0800 <= charCode) && (charCode <= 0xffff)) {
totalLength += 3;
}
}
return totalLength;
}
這段程式逐一走訪字串的每個字元,用 charCodeAt 取出它的編碼值,再依上面的對照規則判斷它會佔幾個位元組並累加。這樣就能精準算出整串文字以 UTF-8 儲存時的實際位元組數,比粗略地除以三準確得多。作者也指出,實務上 0x0080 到 0x07ff 之間的雙位元組字元在使用者輸入中相對少見,絕大多數中文都落在 3 位元組的區間。掌握這個計算方式,就能做出真正符合資料庫容量限制的輸入驗證。