BOM 和 JavaScript 中的 trim

发表于 5年以前 | 总阅读数：1725 次

今天遇到一个 IE7 下 JSON.parse 失败的问题。经过排查发现：服务端某个配置文件编码是 UTF-8 + BOM，输出的字符串最开始包含了 BOM 字符，不是合法的 JSON。

IE7 不支持原生 JSON，我们项目中使用的是 json2.js，但解析不了开头有 BOM 字符的 JSON 不是 json2 的错，其他浏览器正常是因为它们忽略了响应正文开头的 BOM。如果像下面这样写，每个浏览器都会抛异常：


<script>

    var a = '{"a":1}';
    try {
        JSON.parse(a);
    } catch(e) {
        alert(e.message);
    }
    </script>

把这段代码贴进无敌强大的 CodeMirror，就能轻松发现这个不可见的 BOM 字符：

codemirror invalidchar

BOM 引发的问题多得数不胜数，网上相关记载也很多，这里不再啰嗦了。就今天遇到的情况来看，虽然问题出在接口提供方，但考虑到代码健壮性，也可以先 trim 字符串，再 JSON.parse。

String.prototype.trim 是 ES5 增加的方法，对于老旧浏览器，还得使用自己实现的 trim。我们先来看看 QWrap 和 jQuery 关于 trim 的实现：


//jQuery 1.7.2：

    trimLeft = /^[\s\xA0]+/;
    trimRight = /[\s\xA0]+$/;
    return text == null ? "" : text.toString()
                                   .replace( trimLeft, "" )
                                   .replace( trimRight, "" );

jQuery 1.7.2 会过滤字符串两端的 \s 和 \xA0。对于IE 低版本，\s 等价于 [ \t\v\f\r\n]。这些字符的含义如下表：

名称 Unicode 编码字符串表示说明

U+0020

" ", "\x20", "\u0020"

半角空格符，键盘空格键

U+0009

"\t", "\x09", "\u0009"

制表符，键盘 tab 键

U+000B

"\v", "\x0B", "\u000B"

垂直制表符

U+000C

"\f", "\x0C", "\u000C"

换页符

U+000D

"\r", "\x0D", "\u000D"

回车符

U+000A

"\n", "\x0A", "\u000A"

换行符

U+00A0

"\xA0", "\u00A0"

No-Break Space
禁止自动换行空格符

最后的「禁止自动换行空格符」<NBSP>，实际上就是 HTML 中经常用到的。HTML 中，连续空白字符（半角空格、换行、tab 等）会被合并为一个空格，则不会与其它相邻的空白字符合并。

可以看到，至少在 IE 低版本下，jQuery 1.7.2 无法过滤字符串两端的 BOM 字符。


//jQuery 1.8.1

    rtrim = /^[\s\uFEFF\xA0]+|[\s\uFEFF\xA0]+$/g,
    return text == null ?
                    "" :
                    text.toString().replace( rtrim, "" );

jQuery 1.8.1 在之前的基础上，又增加了 \uFEFF。它是 ES5 新增的空白符，叫「字节次序标记字符（Byte Order Mark）」，也就是前面提到的 BOM。

名称 Unicode 编码字符串表示

U+FEFF

"\uFEFF"

Unicode3.2 之前，\uFEFF 表示「零宽不换行空格（Zero Width No-Break Space）」；Unicode3.2 新增了 \u2060 用来表示零宽不换行空格，\uFEFF 就只用来表示字节次序标记了。

可以看到，jQuery 1.8.1 可以过滤 BOM。另外，考虑到某些浏览器实现的 trim 不过滤 <NBSP> 或 <BOM>，jQuery 加了一层检测，并不是存在原生 trim 就一定用原生的。


//QWrap 1.1.6

    return s.replace(/^[\s\uFEFF\xa0\u3000]+|[\uFEFF\xa0\u3000\s]+$/g, "");

QWrap 的 trim，还增加了 \u3000。它是「表意文字空格（IDEOGRAPHIC SPACE）」，用于 CJK 统一表意文字，可以简单地认为它就是平时我们经常遇到的中文全角空格。

Unicode 编码字符串表示说明

U+3000

"　", "\u3000"

IDEOGRAPHIC SPACE，CJK 全角空格

再来看看浏览器的 trim 应该处理哪些字符，ES5 文档中这样描述：

Let T be a String value that is a copy of S with both leading and trailing white space removed. The definition of white space is the union of WhiteSpace and LineTerminator.

也就是说字符串两端的 WhiteSpace 和 LineTerminator 都要去掉。

ES5 文档规定的 WhiteSpace，除了包含上面提过的 <SP>、<TAB>、<VT>、<FF>、<NBSP> 和 <BOM> 之外，还包含 <USP> 定义的其它空白字符，USP 表示 Unicode 中「Separator, Space」分类下的字符，具体内容如下（来源：1、2）：

Unicode 编码说明

U+0020

SPACE，<SP>

U+00A0

NO-BREAK SPACE，<NBSP>

U+1680

OGHAM SPACE MARK，欧甘空格

U+180E

Mongolian Vowel Separator，蒙古文元音分隔符

U+2000

EN QUAD

U+2001

EM QUAD

U+2002

EN SPACE，En 空格。与 en 同宽（em 的一半）

U+2003

EM SPACE，Em 空格。与 em 同宽

U+2004

THREE-PER-EM SPACE，Em 三分之一空格

U+2005

FOUR-PER-EM SPACE，Em 四分之一空格

U+2006

SIX-PER-EM SPACE，Em 六分之一空格

U+2007

FIGURE SPACE，数字空格。与单一数字同宽

U+2008

PUNCTUATION SPACE，标点空格。与同字体窄标点同宽

U+2009

THIN SPACE，窄空格。em 六分之一或五分之一宽

U+200A

HAIR SPACE，更窄空格。比窄空格更窄

U+200B

Zero Width Space，<ZWSP>，零宽空格

U+200C

Zero Width Non Joiner，<ZWNJ>，零宽不连字空格

U+200D

Zero Width Joiner，<ZWJ>，零宽连字空格

U+202F

NARROW NO-BREAK SPACE，窄式不换行空格

U+205F

MEDIUM MATHEMATICAL SPACE，中数学空格。
用于数学方程式

U+2060

Word Joiner，同 U+200B，但该处不换行。
Unicode3.2 新增，代替 U+FEFF

U+3000

IDEOGRAPHIC SPACE，表意文字空格。即全角空格

U+FEFF

Byte Order Mark，<BOM>，字节次序标记字符。
不换行功能于 Unicode3.2 起废止

再来看看文档对 LineTerminator 的定义，除了前面介绍过的 <LF>（Line Feed，换行符）和 <CR>（Carriage Return，回车符），还有两个：

名称 Unicode 编码说明

<LS>

U+2028

行分隔符

<PS>

U+2029

段落分隔符

可以看到，ES5 定义的 trim 方法十分强大。浏览器实现方面，我测试了 Chrome 和 Firefox，上述大部分不可见字符都能被过滤，也能被正则里的 \s 匹配到。

QWrap 或 jQuery 实现的 trim，则只处理了常见字符，通常也够用。如果需要与 ES5 更加一致的 trim，可以看看 es5-shim 这个项目：


var ws = "\x09\x0A\x0B\x0C\x0D\x20\xA0\u1680\u180E\u2000\u2001\u2002\u2003\u20
04\u2005\u2006\u2007\u2008\u2009\u200A\u202F\u205F\u3000\u2028\u2029\uFEFF";

    if (!String.prototype.trim || ws.trim()) {
        // http://blog.stevenlevithan.com/archives/faster-trim-javascript
        // http://perfectionkills.com/whitespace-deviations/
        ws = "[" + ws + "]";
        var trimBeginRegexp = new RegExp("^" + ws + ws + "*"),
            trimEndRegexp = new RegExp(ws + ws + "*$");
        String.prototype.trim = function trim() {
            if (this === void 0 || this === null) {
                throw new TypeError("can't convert "+this+" to object");
            }
            return String(this)
                .replace(trimBeginRegexp, "")
                .replace(trimEndRegexp, "");
        };
    }