BOM 和 JavaScript 中的 trim

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：

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 = /^[sxA0]+/;
trimRight = /[sxA0]+$/;
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 [ vf ]。这些字符的含义如下表：

名称	Unicode 编码	字符串表示	说明
<SP>	U+0020	" ", "x20", "u0020"	半角空格符，键盘空格键
<TAB>	U+0009	" ", "x09", "u0009"	制表符，键盘 tab 键
<VT>	U+000B	"v", "x0B", "u000B"	垂直制表符
<FF>	U+000C	"f", "x0C", "u000C"	换页符
<CR>	U+000D	" ", "x0D", "u000D"	回车符
<LF>	U+000A	" ", "x0A", "u000A"	换行符
<NBSP>	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 = /^[suFEFFxA0]+|[suFEFFxA0]+$/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
<BOM>	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(/^[suFEFFxa0u3000]+|[uFEFFxa0u3000s]+$/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 = "x09x0Ax0Bx0Cx0Dx20xA0u1680u180Eu2000u2001u2002u2003u2004u2005u2006u2007u2008u2009u200Au202Fu205Fu3000u2028u2029uFEFF";
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, "");
    };
}