ES6(四):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。本文将详细先容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(codepoint)。而这些码位是用于表示字符的,又称为字符编码(characterencode)

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(codeunit),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”(plan0), 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(supplementaryplane),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(surrogatepairs),规定用两个16位编码来表示一个码位。

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

// "?"
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

// "?"
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新增了完全支撑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 = "?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'?',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) {    
  returnc.codePointAt(0) > 0xFFFF;
}
console.log(is32Bit("?" )); // 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));//"?"
console.log(String.fromCodePoint(0x20bb7)); // "?"
console.log(String.fromCharCode(0x0bb7));// "?"
  • 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forforin循环,可能得不到正确的结果

var s = '?a';
for(let chins) {
  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 = '?a';
for(let ch of s) {
  console.log(ch);
}//?//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?(\u01D1)。另一种是提供合成符号(combiningcharacter),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)ˇ(\u030C)合成?(\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,还是只能使用替换后,通过Unicode编号区间判断

U修饰符

替换后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对替换后添加了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

一旦为替换后设置了u 修饰符,替换后将会识别32位的辅助平面字符为1个字符,而不是两个

【点号】

点(.)字符在替换后中,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 = "?";
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,这种表示法在替换后中必须加上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('?')// 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
/?{2}/.test('??')// false
/?{2}/u.test('??')// 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$/.test('?') // false
/^\S$/u.test('?')// 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不支撑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);  
  returnresult ? result.length : 0;
}
var s = '??';
console.log(s.length); // 4
console.log(codePointLength(s));// 2

【检测支撑】

u修饰符是语法层面的变更,尝试在不兼容ES6JS 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撑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 =newRegExp(".", "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,如果当前引擎不支撑u修饰符则会抛出错误

其他章节

推荐阅读更多精彩内容