前端开发中的字符编码详解-html字符编码

前端开发过程中会接触各种各样的编码，比较常见的主要是UTF－8和HTML实体编码，但是web前端的世界却不止这两种编码，而且编码的选择也会造成一定的问题，如前后端开发过程中不同编码的兼容、多字节编码可能会造成的XSS漏洞等。因此，本文旨在更好的全面了解涉及前端开发领域的字符编码，避免可能出现的交互和开发中的忽视的漏洞。

URL编码

我曾经在URL编码解码和base64一文中讲述了URL编码中的三组函数，并对比了这三组函数与base64编码的关系，在此简要说明一下。
escape/unescape函数针对宽字符做unicode编码，并针对码值做十六进制编码，所以使用escape针对汉字编码会得到形如”\uxxxx”的结果；encodeURI/decodeURI,encodeURIComponent/decodeURIComponent函数针对宽字节编码却不同于escape，首先针对宽字节字符进行UTF－8编码，然后针对编码后的结果进行“％”替换，得到结果。以上所述都是针对宽字节字符而言，对于编码靠前的ASCII字符而言，上述三组函数的安全字符的范围也有所不同，具体可在上文中了解。

base64编码

base64编码在前端通常用于图片和icon的编码，它将每3个8位字节为一组，分成4组6位字节，并且每个字节的高位补零，形成4个8位的字节，由此可看出base64编码是可逆推的。在大多数浏览器中，提供了ASCII字符的base64编码函数，即window.btoa()。该函数无法针对宽字节进行base64编码，若针对中文编码，则需现转换位UTF－8编码，然后进行base64编码。

function unicodeToBase64(s){ return window.btoa(unescape(encodeURIComponent(s))) }

通过encodeURIComponent对宽字节字符编码，是“％xx”形式的编码，与UTF8编码的区别仅在于前缀（这是由规范RFC3986决定的，将非ASC字符进行某种形式编码，并转换为16进制，并在字节前加上“％”）。因此通过unescape(encodeURIComponent(s))可以转化为UTF8字节。当然，也可自己写一个转换函数，按照一定规则便行为UTF－8编码的字节，如下例：

``` 
unescape(encodeURIComponent("中国")) //结果："ä¸å›½" 
encodeURIComponent("中国") //结果："%E4%B8%AD%E5%9B%BD" 
console.log("\u00E4\u00B8\u00AD\u00E5\u009B\u00BD") // 结果： "ä¸å›½" 
```

通过简单的replace函数，就可以完成URL编码到UTF8编码的转换，进而完成宽字节字符到base64编码的转换。有了这个函数，我们手动生成一些data URI形式的内容，只需制定MIME类型和编码方式，就可以实现文本的转换，如以下代码：

```

<a href="data:text/html;charset=utf-8;base64,PHNjcmlwdD5hbGVydCgxMik8L3NjcmlwdD4=" >abc</a> 
// 未编码前：<a href="javascript: alert(1)">test</a> 
```

前端UTF8编码与后端GBK编码的兼容

目前前端大都采用UTF8进行编码，不管是html、js抑或是css，而后端则由于历史原因大都采用GBK或GB2312进行解码，因此前端通过 parameter传递的URL编码的字符串就不可能直接在后台进行解码，为了更好的兼容性，前端可进行两次URL编码，即 encodeURIComponent（encodeURIComponent（“中国”）），这样后端接收到参数后，先使用GBK或GB2312解码，得到了UTF8编码后再使用UTF8解码即可。两次编码主要是利用“ASC字符使用GBK或GB2312编码不变”的特点完成，富有技巧。

HTML实体编码与进制编码

实体编码针对HTML的预留字符而言，如“<>”等。实体编码有两种形式&实体名;或&entity_number;，由于浏览器对&实体名;的兼容性有差别，因此***采用实体号的形式编码。

进制编码，顾名思义将ASC字符对应的码值按照十六进制或十进制编码，并转化为&#x;(16进制)或&#D;(10进制)形式。

单单针对实体编码而言并没有什么特殊强调的点，之所以把它单独列为一个章节，意在强调这两种编码与js代码的作用域的关系。

<div onclick="document.write('<img src=1 onerror=alert(23)>')">cccc</div> 
<div onclick="document.write('&lt;img src=1 onerror=alert(23)&gt;')">cccc</div> 
<img src=1 onerror=alert(23)> 
<img src=1 onerror=alert(23)> 
<script> 
   document.write('&lt;img src=1 onerror=alert(23)&gt;'); 
   document.write('<img src=1 onerror=alert(3)>'); 
   document.write('<img src=1 onerror=alert(23)>') 
   document.write('\u003c\u0069\u006d\u0067\u0020\u0073\u0072\u0063\u003d 
\u0031\u0020\u006f\u006e\u0065\u0072\u0072\u006f\u0072\u003d\u0061 
\u006c\u0065\u0072\u0074\u0028\u0032\u0033\u0029\u003e') 
</script>

代码中列举了8个例子，***个在事件处理函数onclick中输出HTML片段；第二个则输出经实体编码后的HTML片段；第三个则是直接针对<img src=1 onerror=alert(23)>做16进制编码；第四个则是针对onerror事件处理函数做16进制编码；第五个则是在脚本中输出实体编码的字符；第六个针对事件处理函数做16进制编码；第七个则针对所有的字符做16进制编码；第八个则是在script中直接输出<img src=1 onerror=alert(23)>的unicode编码。

对比结果，前两个例子在点击后都会弹出alert；第三个例子则在页面中显示文本<img src=1 onerror=alert(23)>；第四个例子则会在页面加载初期弹出alert；第五、七会输出字符串；第六、八则会在第四个例子中的alert之后也弹出alert。现在分析这些结果，通过***二个例子可知道，HTML标签中（除script标签）的内联js代码可以进行HTML实体编码，这是非常重要的一点，我们可以更为明确的进行验证：

<div onclick="alert('&lt;img src=1 onerror=alert(23)&gt;')">cccc</div>

输出的结果自然是<img src=1 onerror=alert(23)>，这的确论证了我们上文提到的这一点；第三个例子说明了HTML解析器在进行词法分析前，首先进行解码，十六进制和十进制皆可，因此，结果自然输出形如<img src=1 onerror=alert(23)>的字符串；第四个例子则紧接着论证了内联在HTML的并采用十六进制编码的js代码同样会被正确解析并执行，这说明了进制编码同样可被HTML解析器解析；第五、七个例子说明在js中同样可以使用实体编码和进制编码，解析的结果会渲染在页面上；第六个例子则论证了上一观点，只针对事件处理函数做进制编码，执行后页面弹出alert；第八个例子则是在js中执行unicode编码的字符串，正常alert。

由此可见，js代码内联在HTML的非script标签内，则会遵守HTML编码规范：进制编码和实体编码；而在js代码（script标签内以及js文件内）中，则遵从js编码：1,unicode形式编码(\uxxxx)2,普通的16进制编码(\xH)，这可通过第八个例子得到证明。之所以在本节提到这么多编码特点，主要提醒大家在预防XSS时需要注意的几点：

检测用户输入时，不仅仅需要防范类似“<>”这样的字符，通过unicode编码或进制编码仍有可能注入代码
需要针对特定的关键字做过滤，如“eval、write、prototype”
尽可能禁止内联事件处理函数的使用
js过滤“src/href/action”属性，如“javascript:”,”data:”

JS编码

其实在上节中已提到了js编码，即js可执行unicode编码和十六（八）进制编码后的字符串，但是不支持十进制编码的字串。具体操作可通过常用的几个函数来实现，如“eval，write，setTimeout，Function”执行编码后的字符串；同样，对于十进制编码的字串，通过结合 String.fromCharCode和eval同样可以执行。

在此附上笔者实现的字符转换，更为灵活的实现各种自定义形式的字串编码：

var Code = {}; 
/** 
* 
* @param str 待编码字串 
* @param jinzhi 进制编码 
* @param prefix 前缀 
* @param postfix 后缀 
* @param count 总共编码的位数，默认为4 
* @returns {string} 
*/ 
Code.encode = function({str = '',jinzhi = '16',prefix = '\\u',postfix = ';',count = '4'} = {}){ 
    var ret = ''; 
    var addZero,tmp; 
    for(let i=0;i<str.length;i++){ 
tmp = str.charCodeAt(i).toString(jinzhi); 
addZero = count - tmp.length + 1; 
ret += prefix + new Array(addZero).join('0') + tmp + postfix; 
    } 
    return ret; 
}; 
Code.decode = function({str = '',jinzhi = '16',prefix = '\\u',postfix = ';'} = {}){ 
    var ret = ''; 
    var splits = str.split(';'); 
    for(let i=0;i<splits.length;i++){ 
let tmp = splits[i].replace(prefix,''); 
ret += String.fromCharCode(parseInt(tmp,jinzhi)); 
    } 
    return ret; 
}; 
 
console.log(Code.encode({str: '<img src=@ onerror=alert(123) />'})); 
console.log(Code.decode({str: Code.encode({str: '<img src=@ onerror=alert(123) />'})}))

另外，对于js输出点的过滤其实并不仅限于上文提到的如eval、setTimeout、Function等几个，由于JS语法比较灵活相对“漏洞”较多，可使用的“线索”也越丰富，如前段时间在Stackoverflow上发现的一个问题，即

(0)['constructor']['constructor']('return "abc;"')()

同样可以执行JS代码，确实挺有特点的，具体为什么上述形式可以执行代码，请读者自己仔细品味。