BMP 之外的 JavaScript 字符串

Question

根据 JavaScript：好的部分：

JavaScript 是在 Unicode 是 16 位字符集的时候构建的，因此 JavaScript 中的所有字符都是 16 位宽。

这让我相信 JavaScript 使用 UCS-2（不是 UTF-16！）并且只能处理 U+FFFF 以内的字符。

进一步调查证实了这一点：

> String.fromCharCode(0x20001);

fromCharCode

方法在返回Unicode字符时似乎只使用最低16位。尝试获取 U+20001（CJK 统一表意文字 20001）会返回 U+0001。

问题：是否可以在 JavaScript 中处理 BMP 后的字符？

2011-07-31：Unicode 支持大战中的第十二张幻灯片：好的、坏的和（大部分）丑陋的很好地涵盖了与此相关的问题：

Answer 1

取决于你所说的“支持”是什么意思。您当然可以使用代理项将非 UCS-2 字符放入 JS 字符串中，浏览器会在可以的情况下显示它们。

但是，JS 字符串中的每一项都是一个单独的 UTF-16 代码单元。没有处理完整字符的语言级支持：所有标准 String 成员（

length

、

split

、

slice

等）都处理代码单元而不是字符，因此会很高兴地分割代理项对或保留无效代理项序列。

如果您想要代理感知方法，恐怕您将不得不开始自己编写它们！例如：

String.prototype.getCodePointLength= function() {
    return this.length-this.split(/[\uD800-\uDBFF][\uDC00-\uDFFF]/g).length+1;
};

String.fromCodePoint= function() {
    var chars= Array.prototype.slice.call(arguments);
    for (var i= chars.length; i-->0;) {
        var n = chars[i]-0x10000;
        if (n>=0)
            chars.splice(i, 1, 0xD800+(n>>10), 0xDC00+(n&0x3FF));
    }
    return String.fromCharCode.apply(null, chars);
};

Answer 2

较新的 JavaScript 引擎有

String.fromCodePoint

。

const ideograph = String.fromCodePoint( 0x20001 ); // outside the BMP

还有一个码点迭代器，它可以获取码点长度。

function countCodePoints( str )
{
    const i = str[Symbol.iterator]();
    let count = 0;
    while( !i.next().done ) ++count;
    return count;
}

console.log( ideograph.length ); // gives '2'
console.log( countCodePoints(ideograph) ); // '1'

Answer 3

我得出了与 bobince 相同的结论。如果您想在 BMP 之外使用包含 unicode 字符的字符串，则必须重新实现 javascript 的 String 方法。这是因为 javascript 将字符计算为每个 16 位代码值。 BMP 之外的符号需要两个代码值来表示。因此，您会遇到这样的情况：某些符号算作两个字符，而有些符号仅算作一个字符。

我重新实现了以下方法，将每个 unicode 代码点视为单个字符：.length、.charCodeAt、.fromCharCode、.charAt、.indexOf、.lastIndexOf、.splice 和 .split。

你可以在jsfiddle上查看：http://jsfiddle.net/Y89Du/

这是没有注释的代码。我测试了一下，可能还是有错误。欢迎评论。

if (!String.prototype.ucLength) {
    String.prototype.ucLength = function() {
        // this solution was taken from 
        // http://stackoverflow.com/questions/3744721/javascript-strings-outside-of-the-bmp
        return this.length - this.split(/[\uD800-\uDBFF][\uDC00-\uDFFF]/g).length + 1;
    };
}

if (!String.prototype.codePointAt) {
    String.prototype.codePointAt = function (ucPos) {
        if (isNaN(ucPos)){
            ucPos = 0;
        }
        var str = String(this);
        var codePoint = null;
        var pairFound = false;
        var ucIndex = -1;
        var i = 0;  
        while (i < str.length){
            ucIndex += 1;
            var code = str.charCodeAt(i);
            var next = str.charCodeAt(i + 1);
            pairFound = (0xD800 <= code && code <= 0xDBFF && 0xDC00 <= next && next <= 0xDFFF);
            if (ucIndex == ucPos){
                codePoint = pairFound ? ((code - 0xD800) * 0x400) + (next - 0xDC00) + 0x10000 : code;
                break;
            } else{
                i += pairFound ? 2 : 1;
            }
        }
        return codePoint;
    };
}

if (!String.fromCodePoint) {
    String.fromCodePoint = function () {
        var strChars = [], codePoint, offset, codeValues, i;
        for (i = 0; i < arguments.length; ++i) {
            codePoint = arguments[i];
            offset = codePoint - 0x10000;
            if (codePoint > 0xFFFF){
                codeValues = [0xD800 + (offset >> 10), 0xDC00 + (offset & 0x3FF)];
            } else{
                codeValues = [codePoint];
            }
            strChars.push(String.fromCharCode.apply(null, codeValues));
        }
        return strChars.join("");
    };
}

if (!String.prototype.ucCharAt) {
    String.prototype.ucCharAt = function (ucIndex) {
        var str = String(this);
        var codePoint = str.codePointAt(ucIndex);
        var ucChar = String.fromCodePoint(codePoint);
        return ucChar;
    };
}

if (!String.prototype.ucIndexOf) {
    String.prototype.ucIndexOf = function (searchStr, ucStart) {
        if (isNaN(ucStart)){
            ucStart = 0;
        }
        if (ucStart < 0){
            ucStart = 0;
        }
        var str = String(this);
        var strUCLength = str.ucLength();
        searchStr = String(searchStr);
        var ucSearchLength = searchStr.ucLength();
        var i = ucStart;
        while (i < strUCLength){
            var ucSlice = str.ucSlice(i,i+ucSearchLength);
            if (ucSlice == searchStr){
                return i;
            }
            i++;
        }
        return -1;
    };
}

if (!String.prototype.ucLastIndexOf) {
    String.prototype.ucLastIndexOf = function (searchStr, ucStart) {
        var str = String(this);
        var strUCLength = str.ucLength();
        if (isNaN(ucStart)){
            ucStart = strUCLength - 1;
        }
        if (ucStart >= strUCLength){
            ucStart = strUCLength - 1;
        }
        searchStr = String(searchStr);
        var ucSearchLength = searchStr.ucLength();
        var i = ucStart;
        while (i >= 0){
            var ucSlice = str.ucSlice(i,i+ucSearchLength);
            if (ucSlice == searchStr){
                return i;
            }
            i--;
        }
        return -1;
    };
}

if (!String.prototype.ucSlice) {
    String.prototype.ucSlice = function (ucStart, ucStop) {
        var str = String(this);
        var strUCLength = str.ucLength();
        if (isNaN(ucStart)){
            ucStart = 0;
        }
        if (ucStart < 0){
            ucStart = strUCLength + ucStart;
            if (ucStart < 0){ ucStart = 0;}
        }
        if (typeof(ucStop) == 'undefined'){
            ucStop = strUCLength - 1;
        }
        if (ucStop < 0){
            ucStop = strUCLength + ucStop;
            if (ucStop < 0){ ucStop = 0;}
        }
        var ucChars = [];
        var i = ucStart;
        while (i < ucStop){
            ucChars.push(str.ucCharAt(i));
            i++;
        }
        return ucChars.join("");
    };
}

if (!String.prototype.ucSplit) {
    String.prototype.ucSplit = function (delimeter, limit) {
        var str = String(this);
        var strUCLength = str.ucLength();
        var ucChars = [];
        if (delimeter == ''){
            for (var i = 0; i < strUCLength; i++){
                ucChars.push(str.ucCharAt(i));
            }
            ucChars = ucChars.slice(0, 0 + limit);
        } else{
            ucChars = str.split(delimeter, limit);
        }
        return ucChars;
    };
}

Answer 4

是的，可以。尽管根据 ECMAScript 标准，直接在源文档中支持非 BMP 字符是可选的，但现代浏览器允许您使用它们。当然，必须正确声明文档编码，并且对于大多数实际用途，您需要使用 UTF-8 编码。此外，你需要一个可以处理UTF-8的编辑器，并且你需要一些输入法；参见例如我的完整 Unicode 输入实用程序。

使用合适的工具和设置，您可以编写

var foo = '𠀁'

。

非 BMP 字符将在内部表示为代理对，因此每个非 BMP 字符在字符串长度中计为 2。

Answer 5

使用

for (c of this)

指令，可以对包含非 BMP 字符的字符串进行各种计算。例如，计算字符串长度，并获取字符串的第 n 个字符：

String.prototype.magicLength = function()
{
    var c, k;
    k = 0;
    for (c of this) // iterate each char of this
    {
        k++;
    }
    return k;
}

String.prototype.magicCharAt = function(n)
{
    var c, k;
    k = 0;
    for (c of this) // iterate each char of this
    {
        if (k == n) return c + "";
        k++;
    }
    return "";
}

BMP 之外的 JavaScript 字符串

问题描述投票：0回答：5

5个回答

最新问题

BMP 之外的 JavaScript 字符串

问题描述 投票：0回答：5

5个回答

最新问题

问题描述投票：0回答：5