BMP 是基本多语言飞机
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:
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);
};
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'
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;
};
}
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。
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 "";
}