ES6关于Unicode的相关扩展
前面的话
JS中的字符串类型是由引号括起来的一组由16位Unicode字符组成的字符序列。在过去,16位足以包含任何字符,直到Unicode引入了扩展字符集,编码规则不得不进行变更。本文将详细介绍ES6关于Unicode的相关扩展
概述
Unicode的目标是为世界上每一个字符提供唯一标识符,唯一标识符称为码位或码点(code point)。而这些码位是用于表示字符的,又称为字符编码(character encode)
在ES6之前, JS 的字符串以 16 位字符编码(UTF-16)为基础。每个 16 位序列(相当于2个字节)是一个编码单元(code unit),可简称为码元,用于表示一个字符。字符串所有的属性与方法(如length属性与charAt() 方法等)都是基于16位序列
【BMP】
最常用的Unicode字符使用16位序列编码字符,属于“基本多语种平面”(Basic Multilingual Plane BMP),也称为“零断面”(plan 0), 是Unicode中的一个编码区段,编码介于U+0000——U+FFFF之间。超过这个范围的码位则要归属于某个辅助平面或称为扩展平面(supplementary plane),其中的码位仅用16位就无法表示了
为此,UTF-16引入了代理对(surrogate pairs),规定用两个16位编码来表示一个码位。这意味着,字符串里的字符有两种:一种由一个码元(共 16 位)来表示BMP字符,另一种用两个码元(共 32 位)来表示辅助平面字符
大括号表示
JavaScript 允许采用\uxxxx
形式表示一个字符,其中xxxx
表示字符的 Unicode 码位
// "a" console.log("\u0061");
但是,这种表示法只限于码位在\u0000
~\uFFFF
之间的字符。超出这个范围的字符,必须用两个双字节的形式表示
// "𠮷" console.log("\uD842\uDFB7"); // "₻7" console.log("\u20BB7");
上面代码表示,如果直接在\u
后面跟上超过0xFFFF
的数值(比如\u20BB7
),JavaScript会理解成\u20BB+7
。所以会显示一个特殊字符,后面跟着一个7
ES6 对这一点做出了改进,只要将码位放入大括号,就能正确解读该字符
// "𠮷" console.log("\u{20BB7}"); // "ABC" console.log("\u{41}\u{42}\u{43}"); let hello = 123; // 123 console.log(hell\u{6F}); // true console.log('\u{1F680}' === '\uD83D\uDE80');
上面代码中,最后一个例子表明,大括号表示法与四字节的 UTF-16 编码是等价的。
有了这种表示法之后,JavaScript 共有6种方法可以表示一个字符
'\z' === 'z' // true '\172' === 'z' // true '\x7A' === 'z' // true '\u007A' === 'z' // true '\u{7A}' === 'z' // true
字符编解码
【codePointAt()】
ES6新增了完全支持UTF-16的方法codePointAt(),该方法接受编码单元的位置而非字符位置作为参数,返回与字符串中给定位置对应的码位,即一个整数值
var text = "𠮷a" ; console.log(text.charCodeAt(0)); // 55362 console.log(text.charCodeAt(1)); // 57271 console.log(text.charCodeAt(2)); // 97 console.log(text.codePointAt(0)); // 134071 console.log(text.codePointAt(1)); // 57271 console.log(text.codePointAt(2)); // 97
对于BMP字符,codePointAt()方法的返回值与 charCodeAt() 相同,如'a',都返回97
对于辅助平面的32位字符,如'𠮷',charCodeAt()和codePointAt()方法都分为两部分返回
charCodeAt(0)和chatCodeAt(1)分别返回前16位和后16位的编码;而codePointAt(0)和codePointAt(1)分别返回32位编码及后16位的编码
判断一个字符是否是BMP,对该字符调用 codePointAt() 方法就是最简单的方法
function is32Bit(c) { return c.codePointAt(0) > 0xFFFF; } console.log(is32Bit("𠮷" )); // true console.log(is32Bit("a")); // false
16位字符的上边界用十六进制表示就是FFFF ,因此任何大于该数字的码位必须用两个码元(共32位)表示
【String.fromCodePoint()】
ES5提供的String.fromCharCode
方法,用于从码位返回对应字符,但是这个方法不能识别32位的UTF-16字符
ECMAScript通常会提供正反两种方法。可以使用codePointAt() 来提取字符串内中某个字符的码位,也可以借助String.fromCodePoint()根据给定的码位来生成一个字符
console.log(String.fromCharCode(0x20bb7)); // "ஷ" console.log(String.fromCodePoint(0x20bb7)); // "𠮷" console.log(String.fromCharCode(0x0bb7)); // "ஷ"
上面代码中,String.fromCharCode
不能识别大于0xFFFF
的码位,所以0x20BB7
就发生了溢出,最高位2
被舍弃了,最后返回码位U+0BB7
对应的字符,而不是码位U+20BB7
对应的字符
如果String.fromCodePoint()
方法有多个参数,则它们会被合并成一个字符串返回
// true String.fromCodePoint(0x78, 0x1f680, 0x79) === 'x\uD83D\uDE80y'
可以将 String.fromCodePoint() 视为 String.fromCharCode() 的完善版本。两者处理 BMP 字符时会返回相同结果,只有处理 BMP 范围之外的字符时才会有差异
for...of
对于32位的辅助平面字符来说,使用for或for in循环,可能得不到正确的结果
var s = '𠮷a'; for (let ch in s) { console.log(s[ch]); } //� //� //a
而for...of循环可以正确的识别32位的UTF-16字符
var s = '𠮷a'; for (let ch of s) { console.log(ch); } //𠮷 //a
normalize()
许多欧洲语言有语调符号和重音符号。为了表示它们,Unicode提供了两种方法。一种是直接提供带重音符号的字符,比如Ǒ
(\u01D1)。另一种是提供合成符号(combining character),即原字符与重音符号的合成,两个字符合成一个字符,比如O
(\u004F)和ˇ
(\u030C)合成Ǒ
(\u004F\u030C)
这两种表示方法,在视觉和语义上都等价,但是JavaScript不能识别
console.log('\u01D1'==='\u004F\u030C'); //false console.log('\u01D1'.length); // 1 console.log('\u004F\u030C'.length); // 2
上面代码表示,JavaScript将合成字符视为两个字符,导致两种表示方法不相等。
ES6提供字符串实例的normalize()
方法,用来将字符的不同表示方法统一为同样的形式,这称为Unicode正规化
console.log('\u01D1'==='\u01D1'.normalize()); //true console.log('\u01D1'=== '\u004F\u030C'.normalize()); //true
normalize
方法可以接受一个参数来指定normalize
的方式,参数的四个可选值如下
1、NFC,默认参数,表示“标准等价合成”(Normalization Form Canonical Composition),返回多个简单字符的合成字符。所谓“标准等价”指的是视觉和语义上的等价
console.log('\u01D1'==='\u01D1'.normalize("NFC")); //true console.log('\u01D1'=== '\u004F\u030C'.normalize("NFC")); //true
2、NFD,表示“标准等价分解”(Normalization Form Canonical Decomposition),即在标准等价的前提下,返回合成字符分解的多个简单字符
console.log('\u004F\u030C'==='\u01D1'.normalize("NFD")); //true console.log('\u004F\u030C'=== '\u004F\u030C'.normalize("NFD")); //true
3、NFKC,表示“兼容等价合成”(Normalization Form Compatibility Composition),返回合成字符。所谓“兼容等价”指的是语义上存在等价,但视觉上不等价,比如“囍”和“喜喜”。(这只是用来举例,normalize方法不能识别中文。)
4、NFKD,表示“兼容等价分解”(Normalization Form Compatibility Decomposition),即在兼容等价的前提下,返回合成字符分解的多个简单字符
在开发国际化应用时,normalize() 方法非常有用。但normalize()
方法目前不能识别三个或三个以上字符的合成。这种情况下,还是只能使用正则表达式,通过Unicode编号区间判断
U修饰符
正则表达式可以完成简单的字符串操作,但默认将字符串中的每一个字符按照16位编码处理。为了解决这个问题, ES6 对正则表达式添加了u
修饰符,含义为“Unicode模式”,用来正确处理大于\uFFFF
的 Unicode 字符。也就是说,会正确处理四个字节的 UTF-16 编码
/^\uD83D/u.test('\uD83D\uDC2A') // false /^\uD83D/.test('\uD83D\uDC2A') // true
一旦为正则表达式设置了 u 修饰符,正则表达式将会识别32位的辅助平面字符为1个字符,而不是两个
【点号】
点(.
)字符在正则表达式中,含义是除了换行符以外的任意单个字符。对于码位大于0xFFFF
的 Unicode 字符,点字符不能识别,必须加上u
修饰符
var text = "𠮷" ; console.log(text.length); // 2 console.log(/^.$/.test(text));//false console.log(/^.$/u.test(text)); //true
【大括号】
ES6 新增了使用大括号表示 Unicode 字符,这种表示法在正则表达式中必须加上u
修饰符,才能识别当中的大括号,否则会被解读为量词
/\u{61}/.test('a') // false /\u{61}/u.test('a') // true /\u{20BB7}/u.test('𠮷') // true
【量词】
使用u
修饰符后,所有量词都会正确识别码点大于0xFFFF
的 Unicode 字符
/a{2}/.test('aa') // true /a{2}/u.test('aa') // true /𠮷{2}/.test('𠮷𠮷') // false /𠮷{2}/u.test('𠮷𠮷') // true
【预定义模式】
u
修饰符也影响到预定义模式,能否正确识别码点大于0xFFFF
的 Unicode 字符
/^\S$/.test('𠮷') // false /^\S$/u.test('𠮷') // true
【字符串长度】
上面代码的\S
是预定义模式,匹配所有不是空格的字符。只有加了u
修饰符,它才能正确匹配码点大于0xFFFF
的 Unicode 字符
虽然ES6不支持字符串码位数量的检测,length属性仍然返回字符串编码单元的数量。利用[\s\S],再加上u修饰符,就可以写出一个正确返回字符串长度的函数
function codePointLength(text) { var result = text.match(/[\s\S]/gu); return result ? result.length : 0; } var s = '𠮷𠮷'; console.log(s.length); // 4 console.log(codePointLength(s)); // 2
【检测支持】
u修饰符是语法层面的变更,尝试在不兼容 ES6 的 JS 引擎中使用它会抛出语法错误。如果要检测当前引擎是否支持u修饰符,最安全的方式是通过以下函数来判断
function hasRegExpU() { try { var pattern = new RegExp(".", "u"); return true; } catch (ex) { return false; } }
这个函数使用了RegExp构造函数并传入字符串'u'作为参数,该语法即使在旧版 JS 引擎中也是有效的。但是,如果当前引擎不支持u修饰符则会抛出错误
好的代码像粥一样,都是用时间熬出来的