encodeURIComponent 抛出异常

Question

我正在使用用户提供的输入在encodeURIComponent 函数的帮助下以编程方式构建一个URI。但是，当用户输入无效的 unicode 字符（例如U+DFFF）时，该函数会抛出异常并显示以下消息：

要编码的 URI 包含无效字符

我在 MSDN 上查到了这个，但这并没有告诉我任何我不知道的事情。

纠正这个错误

• 确保要编码的字符串仅包含有效的 Unicode 序列。

我的问题是，在我将用户提供的输入传递给encodeURIComponent 函数之前，有没有办法清理用户提供的输入以删除所有无效的 Unicode 序列？

Answer 1

采用程序化方法来发现答案，唯一出现问题的范围是 \ud800-\udfff，即高和低代理的范围：

for (var regex = '/[', firstI = null, lastI = null, i = 0; i <= 65535; i++) {
    try {
        encodeURIComponent(String.fromCharCode(i));
    }
    catch(e) {
        if (firstI !== null) {
            if (i === lastI + 1) {
                lastI++;
            }
            else if (firstI === lastI) {
                regex += '\\u' + firstI.toString(16);
                firstI = lastI = i; 
            }
            else {
                regex += '\\u' + firstI.toString(16) + '-' + '\\u' + lastI.toString(16);
                firstI = lastI = i; 
            }
        }
        else {
            firstI = i;
            lastI = i;
        }        
    }
}

if (firstI === lastI) {
    regex += '\\u' + firstI.toString(16);
}
else {
    regex += '\\u' + firstI.toString(16) + '-' + '\\u' + lastI.toString(16);
}
regex += ']/';
alert(regex);  // /[\ud800-\udfff]/

然后我用一个更简单的例子证实了这一点：

for (var i = 0; i <= 65535 && (i <0xD800 || i >0xDFFF ) ; i++) {
    try {
        encodeURIComponent(String.fromCharCode(i));
    }
    catch(e) {
        alert(e); // Doesn't alert
    }
}
alert('ok!');

这与 MSDN 所说的相符，因为确实所有那些 Unicode 字符（甚至是有效的 Unicode“非字符”）除了代理项之外都是有效的 Unicode 序列。

您确实可以过滤掉高位和低位代理，但是当以高低对使用时，它们变得合法（因为它们旨在以这种方式使用以允许 Unicode 扩展（大幅）超过其原始最大值字符数）：

alert(encodeURIComponent('\uD800\uDC00')); // ok
alert(encodeURIComponent('\uD800')); // not ok
alert(encodeURIComponent('\uDC00')); // not ok either

因此，如果您想采取简单的方法并阻止代理，只需：

urlPart = urlPart.replace(/[\ud800-\udfff]/g, '');

如果您想去除不匹配（无效）的代理项，同时允许代理项对（它们是合法的序列，但很少需要字符），您可以执行以下操作：

function stripUnmatchedSurrogates (str) {
    return str.replace(/[\uD800-\uDBFF](?![\uDC00-\uDFFF])/g, '').split('').reverse().join('').replace(/[\uDC00-\uDFFF](?![\uD800-\uDBFF])/g, '').split('').reverse().join('');
}

var urlPart = '\uD801 \uD801\uDC00 \uDC01'
alert(stripUnmatchedSurrogates(urlPart)); // Leaves one valid sequence (representing a single non-BMP character)

如果 JavaScript 具有负面的后视功能，那么该函数将不那么丑陋...