最近笔者在项目中遇到了emoji表情的处理,期间发现js处理多字节字符时会有较多坑,记录一下与各位分享。
本文涉及知识点:
Unicode (BMP/SP)
UTF-8 UTF-16 UTF-32 UCS-2
javascript字符处理
Unicode是目前绝大多数程序使用的字符编码,定义也很简单,用一个码点(code point)映射一个字符。码点值的范围是从U+0000到U+10FFFF,可以表示超过110万个符号。下面是一些符号与它们的码点
A
的码点 U+0041 a
的码点 U+0061 ©
的码点 U+00A9 ☃
的码点 U+2603 :hankey:
的码点 U+1F4A9 对于每个码点,Unicode还会配上一小段文字说明,可以在codepoints.net查到,比如 :hankey:的码点说明
Unicode最前面的65536个字符位,称为基本平面(BMP-—Basic Multilingual Plane),它的码点范围是从U+0000到U+FFFF。最常见的字符都放在这个平面,这是Unicode最先定义和公布的一个平面。
剩下的字符都放在补充平面(Supplementary Plane),码点范围从U+010000一直到U+10FFFF,共16个。
UTF(Unicode transformation format)Unicode转换格式,是服务于Unicode的,用于将一个Unicode码点转换为特定的字节序列。常见的UTF有
UTF-8 可变字节序列,用1到4个字节表示一个码点
UTF-16 可变字节序列,用2或4个字节表示一个码点
UTF-32 固定字节序列,用4个字节表示一个码点
UTF-8 对ASCⅡ编码是兼容的,都是一个字节,超过U+07FF的部分则用了复杂的转换方式来映射Unicode,具体不再详述。
UTF-16对于BMP的码点,采用2个字节进行编码,而BMP之外的码点,用4个字节组成代理对(surrogate pair)来表示。其中前两个字节范围是U+D800到U+DBFF,后两个字节范围是U+DC00到U+DFFF,通过以下公式完成映射(H:高字节 L:低字节 c:码点)
H = Math.floor((c-0x10000) / 0x400)+0xD800
L = (c – 0x10000) % 0x400 + 0xDC00
比如:hankey:用UTF-16表示就是”/uD83D/uDCA9″
UCS(Universal Character Set)通用字符集,是一个ISO标准,目前与Unicode可以说是等价的。
相对于UTF,UCS也有自己的转换方法(编码)。如
UCS-2 用2个字节表示BMP的码点
UCS-4 用4个字节表示码点
UCS-2是一个过时的编码方式,因为它只能编码基本平面(BMP)的码点,在BMP的编码上,与UTF-16是一致的,所以可以认为是UTF-16的一个子集。
UCS-4则与UTF-32等价,都是用4个字节来编码Unicode。
辣莫,js到底是用的啥编码呢?答案是UCS-2。咦,刚刚不是说UCS-2过时了吗?首先看下年表
1990 UCS-2 诞生
1995.5 JavaScript 诞生
1996.7 UTF-16 诞生
也就是说,Brendan Eich在写JS的时候,UTF-16还没问世,所以只能用UCS-2的方式来处理字符,也因此留下了隐患。
先看一个简单的例子:
>”/uD83D/uDCA9″ === “:hankey:”
>true
>”:hankey:”.length
>2
因为”:hankey:”在JS的编码是”/uD83D/uDCA9″,而JS认为每16位(2字节)即表示一个字符,所以一坨大便是占2个字符的。我们经常用length来判断字符串长度,那产品不干了呀,说好可以输入10个字,为毛输了5个emoji就不给输入了?
怎么破?可以用万能的正则匹配
var regexAstralSymbols = /[/uD800-/uDBFF][/uDC00-/uDFFF]/g; // 匹配UTF-16的代理对 function countSymbols(string) { return string // 把代理对改为一个BMP的字符. .replace(regexAstralSymbols, '_') // …这时候取长度就妥妥的啦. .length; } countSymbols(':hankey:'); // 1
js里怎么反转(reverse)字符串?相信有些同学已经想到了一个极简的方案
function reverse(str) { return str.split('').reverse().join(''); }
js虽没有直接的反转字符串的API,但是数组有啊,转数组反转之后再转回字符串,嘿嘿嘿,是不是很机智?这时候Unicode大爷又出来打脸了:你们呐,sometimes naive!
拿刚才的函数反转带有:hankey:的字符串试试
reverse('这是一坨:hankey:') "��坨一是这"
�的Unicode码点是+UFFFD,通常用来表示Unicode转换时无法识别的字符(也就是乱码)
当:hankey:(/uD83D/uDCA9)通过上述方法反转时,变成/uDCA9/uD83D,不是一个合法的代理对(高低字节范围不同),同时,Unicode规定代理对范围内的码点不能单独出现,所以js只能用�表示了。
怎么破?
function reverse(string) { return Array.from(string).reverse().join(''); }
String.fromCharCode可以将一个码点转换为字符,比如
String.fromCharCode(0x0041) 'A'
但超过BMP平面的就跪了。
>> String.fromCharCode(0x1F4A9) // U+1F4A9 '' // U+F4A9, not U+1F4A9
事实上这个API是支持俩参数的,分别是代理对的高低字节。所以需要通过公式计算出对应的高低字节
>> String.fromCharCode(0xD83D, 0xDCA9) ':hankey:' // U+1F4A9 >> ':hankey:'.charCodeAt(0) 0xD83D
一个字,蛋疼!
怎么破? ES6大法好。
>> String.fromCodePoint(0x1F4A9) ':hankey:' // U+1F4A9 >> ':hankey:'.codePointAt(0) 0x1F4A9
正则匹配符 .
只能匹配单个“字符”,但js将代理对当成两个单独的“字符”处理,所以匹配不到任何辅助平面字符。
>> /foo.bar/.test('foo:hankey:bar') false
思考一下,什么正则表达式可以表示任何Unicode字符? 显然 .
是不够的,因为它不能匹配辅助平面字符或者换行符。那么用/s/S呢?
`` >> /^[/s/S]$/.test(':hankey:') false ```
怀疑人生了~~正确的匹配任意Unicode字符的正则如下:
>> /[/0-/uD7FF/uE000-/uFFFF]|[/uD800-/uDBFF][/uDC00-/uDFFF]|[/uD800-/uDBFF](?![/uDC00-/uDFFF])|(?:[^/uD800-/uDBFF]|^)[/uDC00-/uDFFF]/.test(':hankey:') // wtf true
怎么破? ES6给出一个简单的方法——增加一个u标志
>> /foo.bar/u.test('foo:hankey:bar') true
注意:这里的 .
还是不能匹配换行符。
从上面的例子中可以看出,ES6已经在很努力地填坑了。对于Unicode字符,ES6支持新的表示方法
/u{1F4A9}
加上花括号后,可以把码点直接填进去来表示,而不用去计算代理对。再补充2点:
1. 为了向后兼容,字符串的length属性还是用双字节判断的,所以要用Array.from(str).length。
2. 遍历字符串的时候,可以用 for(let s of str) {}
参考资料:
Unicode与JavaScript详解 JavaScript has a Unicode problem