Comprimento da string em bytes em JavaScript

No meu código JavaScript, preciso escrever uma mensagem para o servidor neste formato:

<size in bytes>CRLF
<data>CRLF

Exemplo:

3
foo

Os dados podem conter caracteres Unicode. Preciso enviá-los como UTF-8.

Estou procurando a maneira mais cruzada de navegadores de calcular o comprimento da string em bytes em JavaScript.

Eu tentei isso para compor minha carga útil:

return unescape(encodeURIComponent(str)).length + "\n" + str + "\n"

Mas não me dá resultados precisos para os navegadores mais antigos (ou, talvez, as strings nesses navegadores em UTF-16?).

Alguma pista?

Atualizar:

Exemplo: o comprimento em bytes da string ЭЭХ! Naïve?em UTF-8 é 15 bytes, mas alguns navegadores relatam 23 bytes.

Não há como fazer isso nativamente em JavaScript. (Veja a resposta de Riccardo Galli para uma abordagem moderna.)

Para referência histórica ou onde APIs de TextEncoder ainda não estão disponíveis .

Se você conhece a codificação de caracteres, pode calculá-la sozinho.

encodeURIComponent assume UTF-8 como a codificação de caracteres, então se você precisa dessa codificação, você pode fazer,

function lengthInUtf8Bytes(str) {
  // Matches only the 10.. bytes that are non-initial characters in a multi-byte sequence.
  var m = encodeURIComponent(str).match(/%[89ABab]/g);
  return str.length + (m ? m.length : 0);
}

Isso deve funcionar devido à maneira como o UTF-8 codifica sequências de bytes múltiplos. O primeiro byte codificado sempre começa com um bit alto de zero para uma única sequência de bytes ou um byte cujo primeiro dígito hexadecimal é C, D, E ou F. O segundo e subsequentes bytes são aqueles cujos primeiros dois bits são 10 Esses são os bytes extras que você deseja contar em UTF-8.

A tabela na wikipedia torna isso mais claro

Bits        Last code point Byte 1          Byte 2          Byte 3
  7         U+007F          0xxxxxxx
 11         U+07FF          110xxxxx        10xxxxxx
 16         U+FFFF          1110xxxx        10xxxxxx        10xxxxxx
...

Se, em vez disso, você precisa entender a codificação da página, pode usar este truque:

function lengthInPageEncoding(s) {
  var a = document.createElement('A');
  a.href = '#' + s;
  var sEncoded = a.href;
  sEncoded = sEncoded.substring(sEncoded.indexOf('#') + 1);
  var m = sEncoded.match(/%[0-9a-f]{2}/g);
  return sEncoded.length - (m ? m.length * 2 : 0);
}

Anos se passaram e hoje você pode fazer isso nativamente

(new TextEncoder().encode('foo')).length

Observe que ainda não é compatível com o IE (ou Edge) (você pode usar um polyfill para isso).

Documentação MDN

Especificações padrão

Esta é uma versão muito mais rápida, que não usa expressões regulares, nem encodeURIComponent () :

function byteLength(str) {
  // returns the byte length of an utf8 string
  var s = str.length;
  for (var i=str.length-1; i>=0; i--) {
    var code = str.charCodeAt(i);
    if (code > 0x7f && code <= 0x7ff) s++;
    else if (code > 0x7ff && code <= 0xffff) s+=2;
    if (code >= 0xDC00 && code <= 0xDFFF) i--; //trail surrogate
  }
  return s;
}

Aqui está uma comparação de desempenho .

Ele apenas calcula o comprimento em UTF8 de cada ponto de código Unicode retornado por charCodeAt () (com base nas descrições da wikipedia de UTF8 e caracteres substitutos de UTF16).

Ele segue a RFC3629 (em que os caracteres UTF-8 têm no máximo 4 bytes).

Para codificação UTF-8 simples, com compatibilidade ligeiramente melhor do que TextEncoder, Blob resolve. Não funciona em navegadores muito antigos.

new Blob(["😀"]).size; // -> 4  

Esta função retornará o tamanho de byte de qualquer string UTF-8 que você passar para ela.

function byteCount(s) {
    return encodeURI(s).split(/%..|./).length - 1;
}

Fonte

Outra abordagem muito simples usando Buffer(apenas para NodeJS):

Buffer.byteLength(string, 'utf8')

Buffer.from(string).length

Demorei um pouco para encontrar uma solução para o React Native, então vou colocá-la aqui:

Primeiro instale o bufferpacote:

npm install --save buffer

Em seguida, use o método do nó:

const { Buffer } = require('buffer');
const length = Buffer.byteLength(string, 'utf-8');

Na verdade, descobri o que há de errado. Para que o código funcione, a página <head>deve ter esta tag:

<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />

Ou, como sugerido nos comentários, se o servidor enviar o Content-Encodingcabeçalho HTTP , ele também deve funcionar.

Então, os resultados de diferentes navegadores são consistentes.

Aqui está um exemplo:

<html>
<head>
  <meta http-equiv="Content-Type" content="text/html; charset=utf-8" /> 
  <title>mini string length test</title>
</head>
<body>

<script type="text/javascript">
document.write('<div style="font-size:100px">' 
    + (unescape(encodeURIComponent("ЭЭХ! Naïve?")).length) + '</div>'
  );
</script>
</body>
</html>

Observação: suspeito que a especificação de qualquer codificação (precisa) resolveria o problema de codificação. É apenas uma coincidência eu precisar do UTF-8.

Aqui está um método independente e eficiente para contar bytes UTF-8 de uma string.

//count UTF-8 bytes of a string
function byteLengthOf(s){
	//assuming the String is UCS-2(aka UTF-16) encoded
	var n=0;
	for(var i=0,l=s.length; i<l; i++){
		var hi=s.charCodeAt(i);
		if(hi<0x0080){ //[0x0000, 0x007F]
			n+=1;
		}else if(hi<0x0800){ //[0x0080, 0x07FF]
			n+=2;
		}else if(hi<0xD800){ //[0x0800, 0xD7FF]
			n+=3;
		}else if(hi<0xDC00){ //[0xD800, 0xDBFF]
			var lo=s.charCodeAt(++i);
			if(i<l&&lo>=0xDC00&&lo<=0xDFFF){ //followed by [0xDC00, 0xDFFF]
				n+=4;
			}else{
				throw new Error("UCS-2 String malformed");
			}
		}else if(hi<0xE000){ //[0xDC00, 0xDFFF]
			throw new Error("UCS-2 String malformed");
		}else{ //[0xE000, 0xFFFF]
			n+=3;
		}
	}
	return n;
}

var s="\u0000\u007F\u07FF\uD7FF\uDBFF\uDFFF\uFFFF";
console.log("expect byteLengthOf(s) to be 14, actually it is %s.",byteLengthOf(s));

Observe que o método pode gerar erro se uma string de entrada for UCS-2 malformada

No NodeJS, Buffer.byteLengthé um método especificamente para este propósito:

let strLengthInBytes = Buffer.byteLength(str); // str is UTF-8

Observe que, por padrão, o método assume que a string está na codificação UTF-8. Se uma codificação diferente for necessária, passe-a como o segundo argumento.

Isso funcionaria para caracteres BMP e SIP / SMP.

    String.prototype.lengthInUtf8 = function() {
        var asciiLength = this.match(/[\u0000-\u007f]/g) ? this.match(/[\u0000-\u007f]/g).length : 0;
        var multiByteLength = encodeURI(this.replace(/[\u0000-\u007f]/g)).match(/%/g) ? encodeURI(this.replace(/[\u0000-\u007f]/g, '')).match(/%/g).length : 0;
        return asciiLength + multiByteLength;
    }

    'test'.lengthInUtf8();
    // returns 4
    '\u{2f894}'.lengthInUtf8();
    // returns 4
    'سلام علیکم'.lengthInUtf8();
    // returns 19, each Arabic/Persian alphabet character takes 2 bytes. 
    '你好，JavaScript 世界'.lengthInUtf8();
    // returns 26, each Chinese character/punctuation takes 3 bytes. 

Você pode tentar isto:

function getLengthInBytes(str) {
  var b = str.match(/[^\x00-\xff]/g);
  return (str.length + (!b ? 0: b.length)); 
}

Funciona para mim.