Unicode ⇔ UTF-8

unicode.js

const table = [
  0xC0, // 192(11000000) 2 byte
  0xe0, // 224(11100000) 3 byte
  0xf0  // 240(11110000) 4 byte
];

/**
 * Unicode文字をUTF-8バイト列に変換
 * @param {String} str
 * @return {Number[]}
 */
function toUTF8Octets (str) {
  var result = [];
  /**
   * Unicode符号位置からUTF-8バイト数を返す
   * @param {Number} code
   * @return {Number}
   */
  function getLength (code) {
    if (code < 0x80) // 0 - 0x7F
      return 1;
    else if (code < 0x000800) // 0x80 - 0x07FF
      return 2;
    else if (code < 0x010000) // 0x0800 - 0x0FFF
      return 3;
    else if (code < 0x110000) // 0x01000 - 0x10FFFF
      return 4;

    throw new Error("Invalid");
  }
  /**
   * Unicode符号位置をUTF-8バイト列に
   * @param {Number} code
   * @return {Number[]}
   */
  function charToBytes (code) {
    //console.log("code:", code);
    if (code < 0x80)
      return [code];

    var count = getLength(code),
        bytes = [];
    for (var i = 1; i < count; ++i) {
      var n = code & 0x3F;
      code = code >> 6;
      bytes.unshift(n + 0x80);
    }
    bytes.unshift(table[count-2] | code);
    return bytes;
  }

  //console.log("encode:", encodeURI(str));

  for (var i = 0, len = str.length; i < len; ++i) {
    // String#charCodeAt(n) は UTF-16 の n 番目の数値を返す
    var code = str.charCodeAt(i);
    // 0xD800 ～ 0xD8FF なら上位サロゲートと判断（BMP範囲内ならスルー）
    // 下位サロゲートを得て
    // 上位サロゲートの下位10ビットと下位サロゲートの下位10ビットをつなげる
    // さらに 0x10000を足すと Unicode 符号位置となる
    if (0xD800 <= code && code <= 0xD8FF) {
      if (i + 1 < len) {
        var code2 = str.charCodeAt(i+1);
        // 下位サロゲート
        if (0xDC00 <= code2 && code2 <= 0xDFFF) {
          code = ((code & 0x03FF) << 10) + (code2 & 0x03FF) + 0x10000;
          ++i;
        } else
          throw new Error("Invalid: surrogate 2");
      } else
        throw new Error("Invalid: surrogate 1")
    }
    result.push.apply(result, charToBytes(code));
  }
  return result;
}

/**
 * UTF-8バイト列をUnicode文字へ変換
 * @param {Number[]} bytes
 * @return {String}
 */
function fromUTF8Octets (bytes) {
  var res = [];
  out:
  for (var i = 0, len = bytes.length; i < len; ++i) {
    var b = bytes[i];
    if (b < 0x80) {
      res.push(String.fromCharCode(b));
      continue;
    }
    for (var j = 2; j >= 0; --j) {
      if (b >= table[j]) {
        var code = (b & ((0xFE - table[j]) >> 1)) << (6 * (1+j));
        for (var k = 0; k <= j; ++k) {
          if (k + i >= len)
            throw new Error("Invalid");
          code += (bytes[k + i + 1] & 0x3F) << (6 * (j-k));
        }
        if (code < 0x10000) {
          res.push(String.fromCharCode(code));
        }
        else if (code < 0x10FFFF) {
          // サロゲートペアの計算
          code -= 0x10000;
          var w1 = 0xD800 | (code >> 10);
          var w2 = 0xDC00 | (code & 0x03FF);
          res.push(String.fromCharCode(w1, w2));
        } else {
          throw new Error("Invalid");
        }
        i += j + 1;
        continue out;
      }
    }
    throw new Error("Invalid");
  }
  return res.join("");
}

// vim: sw=2 ts=2 et: