Escape / Unescape Unicode

Unicode escaping là gì

Unicode escaping chuyển đổi ký tự thành chuỗi escape \uXXXX (hoặc \u{XXXXX}) — và ngược lại. Ký tự é trở thành é; emoji 👀 trở thành \u{1f440} ở ES6 mode hoặc surrogate pair 👀 ở JSON mode.

Đây không phải encoding để nén hay bảo mật. Đây là biểu diễn an toàn cho text — cho phép nhúng bất kỳ ký tự Unicode nào vào ngữ cảnh chỉ chấp nhận ASCII: JSON string value, JavaScript source file, C string literal, Java .properties file, và các ngữ cảnh tương tự.

Hai cú pháp escape

\uXXXX — bốn chữ số hex (chỉ BMP)

Cú pháp escape Unicode gốc, được định nghĩa trong ECMAScript 1 spec (1997) và yêu cầu bởi JSON specification (RFC 8259 §7). Hoạt động với codepoint U+0000 đến U+FFFF — Basic Multilingual Plane (BMP). Với 65.536 ký tự này, é và é hoàn toàn tương đương trong mọi parser tuân chuẩn.

\u{XXXXX} — hex có độ dài biến đổi trong dấu ngoặc (full Unicode)

Được giới thiệu trong ES6 (ECMAScript 2015). Hỗ trợ toàn bộ phạm vi Unicode U+000000 đến U+10FFFF. Đây là cách đúng để escape các ký tự astral plane — codepoint trên U+FFFF bao gồm hầu hết emoji, chữ viết cổ đại, và ký hiệu toán học. \u{1f600} gọn hơn và rõ ràng hơn; cú pháp ngoặc cũng cho phép bỏ leading zero.

JSON không hỗ trợ \u{} — JSON parser yêu cầu đúng bốn chữ số hex sau \u. Để nhúng astral plane codepoint trong JSON, phải dùng surrogate pair.

Astral plane và surrogate pair

Basic Multilingual Plane của Unicode chứa codepoint U+0000–U+FFFF. Mọi thứ trên đó — gọi là astral plane hay supplementary character — cần chiến lược khác trong các hệ thống xây dựng trên UTF-16.

JavaScript string nội bộ là UTF-16. Để biểu diễn codepoint trên U+FFFF trong UTF-16, hai 16-bit code unit gọi là surrogate pair được dùng: high surrogate (U+D800–U+DBFF) theo sau bởi low surrogate (U+DC00–U+DFFF). Công thức:

codepoint = 0x10000 + (high - 0xD800) × 0x400 + (low - 0xDC00)

Emoji 😀 (U+1F600) trở thành cặp 😀. Trong JSON, đây là cách duy nhất để biểu diễn nó vì \u escape của JSON chỉ nhận bốn chữ số hex. Trong ES6 JavaScript, bạn có thể dùng \u{1F600} trực tiếp.

Gotcha quan trọng: Vì surrogate pair là hai chuỗi \u, các thao tác string naïve làm việc từng ký tự sẽ bị hỏng. "😀".length trả về 2 trong JavaScript, không phải 1. "😀"[0] trả về high surrogate lẻ \uD83D, không phải emoji. Chia tách theo grapheme cluster cần [...str] (spread) hoặc Intl.Segmenter trong ES2022+.

JSON mode vs ES6 mode vs "all" mode

JSON mode — escape mọi ký tự non-ASCII bằng \uXXXX (chỉ bốn chữ số), dùng surrogate pair cho codepoint trên U+FFFF. Output luôn hợp lệ bên trong JSON string literal. An toàn để nhúng vào mọi hệ thống tiêu thụ JSON bất kể tuổi của parser.

ES6 mode — dùng \u{XXXXX} cho ký tự astral và \uXXXX cho ký tự BMP. Tạo output ngắn hơn, dễ đọc hơn cho chuỗi nhiều emoji. Chỉ hợp lệ trong ngữ cảnh JavaScript ES6+ — không dùng trong JSON, không dùng trong môi trường ES5 cũ.

All mode — escape mọi ký tự, kể cả ASCII. Hữu ích khi cần biểu diễn thuần ASCII của chuỗi không có raw Unicode nào — để nhúng trong C string, Python source file, hoặc debug từng codepoint.

String.fromCodePoint vs String.fromCharCode

Hai hàm JavaScript này bộc lộ trực tiếp sự phức tạp của surrogate pair:

String.fromCharCode(0x1F600)   // "?" — sai, truncate thành U+F600
String.fromCodePoint(0x1F600)  // "😀" — đúng

String.fromCharCode(0xD83D, 0xDE00)  // "😀" — đúng qua surrogate pair
String.fromCodePoint(0x1F600)        // "😀" — đúng qua codepoint

fromCharCode ra đời trước astral plane của Unicode và hoạt động trên raw UTF-16 code unit. Nếu truyền codepoint trên 0xFFFF, nó truncate âm thầm. fromCodePoint (ES6) xử lý toàn bộ phạm vi. Khi unescape \u{1F600}, luôn dùng fromCodePoint.

Khi nào JSON bắt buộc phải escape?

JSON spec (RFC 8259) yêu cầu các control character U+0000–U+001F phải được escape. Tất cả ký tự khác có thể được đưa vào raw UTF-8, nhưng nhiều serialiser escape toàn bộ phạm vi non-ASCII để an toàn — tránh vấn đề ASCII-only transport, tránh lỗi terminal rendering, hoặc phòng injection trong HTML (<, >, &, " thường được escape thành <, v.v.).

Nếu bạn nhận JSON payload và thấy à thay vì à, JSON được tạo ra với setting "fully escape non-ASCII". Cả hai biểu diễn đều giống hệt nhau với một JSON parser tuân chuẩn.

Template literal và khi nào không cần escape

Trong ES6 template literal và JavaScript string literal hiện đại, bạn có thể nhúng Unicode trực tiếp:

const greeting = `Xin chào, Việt Nam!`;  // không cần escape
const emoji = "😀";                        // hoạt động trong JS hiện đại
const escaped = "\u{1F600}";              // tương đương với trên

Bạn cần escape khi:

• String sẽ được nhúng vào JSON theo chương trình
• File phải chỉ là ASCII (toolchain cũ, một số .properties file)
• Bạn đang debug một ký tự và muốn thấy codepoint của nó rõ ràng
• Bạn đang truyền string qua kênh làm hỏng raw Unicode

Quyền riêng tư

Toàn bộ xử lý chạy trong trình duyệt của bạn. Text không bao giờ được gửi đến server.

Công cụ liên quan

• URL Encode/Decode — percent-encoding cho URI component, scheme escape khác.
• HTML Entity Encode/Decode — &, é, và các HTML character reference tương tự.

Tại sao emoji của tôi xuất hiện dưới dạng hai chuỗi \u trong JSON mode?

Vì \u escape của JSON chỉ nhận đúng bốn chữ số hex, bao phủ codepoint đến U+FFFF. Emoji nằm trong astral plane (trên U+FFFF) và phải được biểu diễn dưới dạng UTF-16 surrogate pair — hai chuỗi \u liên tiếp. Ví dụ, 😀 (U+1F600) trở thành 😀. Dùng ES6 mode để có dạng gọn hơn \u{1F600}, nhưng lưu ý JSON parser không chấp nhận cú pháp ngoặc.

Sự khác biệt giữa \uXXXX và \u{XXXXX} là gì?

\uXXXX là cú pháp bốn chữ số hex gốc từ ECMAScript 1 (1997) và JSON spec (RFC 8259). Nó chỉ bao phủ Basic Multilingual Plane (U+0000–U+FFFF). \u{XXXXX} là cú pháp ngoặc của ES6, nhận số chữ số hex tùy ý và bao phủ toàn bộ phạm vi Unicode đến U+10FFFF. Dạng ngoặc hợp lệ trong JavaScript ES6+ và nhiều ngôn ngữ hiện đại, nhưng không trong JSON — JSON spec chưa bao giờ được cập nhật để bao gồm nó.

Tại sao "😀".length trả về 2 trong JavaScript?

JavaScript string nội bộ là UTF-16. Codepoint trên U+FFFF được lưu dưới dạng hai 16-bit code unit (surrogate pair), nên String.prototype.length đếm code unit, không đếm ký tự. Dùng [...str].length (spread dùng string iterator, nhận biết codepoint) hoặc Array.from(str).length để lấy số ký tự đúng. Intl.Segmenter cho số grapheme cluster — thứ người dùng cảm nhận là "số ký tự".

Khi nào thực sự cần escape Unicode trong JavaScript?

Hiếm trong code hiện đại. File ES6+ lưu dạng UTF-8 có thể chứa ký tự Unicode raw trực tiếp. Bạn cần escape \u khi: (1) file phải chỉ là ASCII cho toolchain cũ, (2) bạn đang xây dựng JSON string theo chương trình và cần nhúng nội dung non-ASCII an toàn, (3) môi trường target hỗ trợ Unicode không đầy đủ, hoặc (4) bạn đang debug một codepoint cụ thể và muốn nó rõ ràng trong source.

JSON có yêu cầu escape ký tự non-ASCII không?

Không — RFC 8259 cho phép bất kỳ ký tự Unicode được encode UTF-8 nào xuất hiện unescaped trong JSON string, ngoại trừ control character (U+0000–U+001F). Nhiều JSON serialiser vẫn escape toàn bộ non-ASCII để an toàn qua transport chỉ chấp nhận ASCII hoặc tránh rủi ro HTML injection (<, >, & thường được escape). Cả hai biểu diễn đều giống hệt nhau với parser tuân chuẩn.

String.fromCodePoint là gì và tại sao nên dùng thay String.fromCharCode?

String.fromCharCode (ES1) hoạt động trên raw UTF-16 code unit và silently truncate giá trị trên 0xFFFF. String.fromCodePoint (ES6) xử lý toàn bộ phạm vi Unicode — truyền 0x1F600 và bạn nhận được 😀, không phải ký tự rác. Luôn dùng fromCodePoint khi chuyển đổi số codepoint thành ký tự, đặc biệt nếu codepoint có thể nằm trong astral plane.

"All" mode làm gì mà JSON và ES6 mode không làm?

All mode escape mọi ký tự — kể cả chữ cái ASCII và chữ số thông thường — không chỉ non-ASCII hay non-printable. Kết quả là chuỗi thuần ASCII trong đó mọi ký tự được biểu diễn dạng \uXXXX. Hữu ích để nhúng trong C string literal phải chỉ là ASCII, một số định dạng .properties file (tool native2ascii của Java tạo ra output này), hoặc debug chuỗi ký tự khi muốn thấy mọi codepoint rõ ràng.

Chia tách string trên emoji có thể làm hỏng nó không?

Có. Vì nhiều emoji là surrogate pair (hai UTF-16 code unit), các thao tác hoạt động ở mức code unit — str[i], str.substring(), str.split('') — có thể cắt giữa hai nửa của pair, tạo ra dangling surrogate và output rác. Lựa chọn an toàn: spread operator [...str] iterate theo codepoint, và Intl.Segmenter iterate theo grapheme cluster (xử lý cả emoji modifier và ZWJ sequence như emoji gia đình ghép từ nhiều codepoint).