JavaScript語言對Unicode字元集的支援詳解，javascriptunicode

JavaScript語言對Unicode字元集的支援詳解，javascriptunicode

上個月，我做了一次分享，詳細介紹了Unicode字元集，以及JavaScript語言對它的支援。下面就是這次分享的講稿。

　一、Unicode是什嗎？

　　Unicode源於一個很簡單的想法：將全世界所有的字元包含在一個集合裡，電腦只要支援這一個字元集，就能顯示所有的字元，再也不會有亂碼了。

　　它從0開始，為每個符號指定一個編號，這叫做"碼點"（code point）。比如，碼點0的符號就是null（表示所有二進位位都是0）。

複製代碼 代碼如下:U+0000 = null

　　上式中，U+表示緊跟在後面的十六進位數是Unicode的碼點。

　　目前，Unicode的最新版本是7.0版，一共收入了109449個符號，其中的中日韓文字為74500個。可以近似認為，全世界現有的符號當中，三分之二以上來自東亞文字。比如，中文"好"的碼點是十六進位的597D。

複製代碼 代碼如下:U+597D = 好

　　這麼多符號，Unicode不是一次性定義的，而是分區定義。每個區可以存放65536個（216）字元，稱為一個平面（plane）。目前，一共有17個（25）平面，也就是說，整個Unicode字元集的大小現在是221。

　　最前面的65536個字元位，稱為基本平面（縮寫BMP），它的碼點範圍是從0一直到216-1，寫成16進位就是從U+0000到U+FFFF。所有最常見的字元都放在這個平面，這是Unicode最先定義和公布的一個平面。

　　剩下的字元都放在輔助平面（縮寫SMP），碼點範圍從U+010000一直到U+10FFFF。

　二、UTF-32與UTF-8

　　Unicode只規定了每個字元的碼點，到底用什麼樣的位元組序表示這個碼點，就涉及到編碼方法。

　　最直觀的編碼方法是，每個碼點使用四個位元組表示，位元組內容一一對應碼點。這種編碼方法就叫做UTF-32。比如，碼點0就用四個位元組的0表示，碼點597D就在前面加兩個位元組的0。

複製代碼 代碼如下:U+0000 = 0x0000 0000U+597D = 0x0000 597D

　　UTF-32的優點在於，轉換規則簡單直觀，尋找效率高。缺點在於浪費空間，同樣內容的英語文本，它會比ASCII編碼大四倍。這個缺點很致命，導致實際上沒有人使用這種編碼方法，HTML 5標準就明文規定，網頁不得編碼成UTF-32。

　　人們真正需要的是一種節省空間的編碼方法，這導致了UTF-8的誕生。UTF-8是一種變長的編碼方法，字元長度從1個位元組到4個位元組不等。越是常用的字元，位元組越短，最前面的128個字元，只使用1個位元組表示，與ASCII碼完全相同。

編號範圍位元組0x0000 - 0x007F10x0080 - 0x07FF20x0800 - 0xFFFF30x010000 - 0x10FFFF4

　　由於UTF-8這種節省空間的特性，導致它成為互連網上最常見的網頁編碼。不過，它跟今天的主題關係不大，我就不深入了，具體的轉碼方法，可以參考《字元編碼筆記》。

　三、UTF-16簡介

　　UTF-16編碼介於UTF-32與UTF-8之間，同時結合了定長和變長兩種編碼方法的特點。

　　它的編碼規則很簡單：基本平面的字元佔用2個位元組，輔助平面的字元佔用4個位元組。也就是說，UTF-16的編碼長度要麼是2個位元組（U+0000到U+FFFF），要麼是4個位元組（U+010000到U+10FFFF）。

　　於是就有一個問題，當我們遇到兩個位元組，怎麼看出它本身是一個字元，還是需要跟其他兩個位元組放在一起解讀？

　　說來很巧妙，我也不知道是不是故意的設計，在基本平面內，從U+D800到U+DFFF是一個空段，即這些碼點不對應任何字元。因此，這個空段可以用來映射輔助平面的字元。

　　具體來說，輔助平面的字元位共有220個，也就是說，對應這些字元至少需要20個二進位位。UTF-16將這20位拆成兩半，前10位映射在U+D800到U+DBFF（空間大小210），稱為高位（H），後10位映射在U+DC00到U+DFFF（空間大小210），稱為低位（L）。這意味著，一個輔助平面的字元，被拆成兩個基本平面的字元表示。

　　所以，當我們遇到兩個位元組，發現它的碼點在U+D800到U+DBFF之間，就可以斷定，緊跟在後面的兩個位元組的碼點，應該在U+DC00到U+DFFF之間，這四個位元組必須放在一起解讀。

　四、UTF-16的轉碼公式

　　Unicode碼點轉成UTF-16的時候，首先區分這是基本平面字元，還是輔助平面字元。如果是前者，直接將碼點轉為對應的十六進位形式，長度為兩位元組。

複製代碼 代碼如下:U+597D = 0x597D

　　如果是輔助平面字元，Unicode 3.0版給出了轉碼公式。

複製代碼 代碼如下:H = Math.floor((c-0x10000) / 0x400)+0xD800L = (c - 0x10000) % 0x400 + 0xDC00

　　以字元為例，它是一個輔助平面字元，碼點為U+1D306，將其轉為UTF-16的計算過程如下。

複製代碼 代碼如下:H = Math.floor((0x1D306-0x10000)/0x400)+0xD800 = 0xD834L = (0x1D306-0x10000) % 0x400+0xDC00 = 0xDF06

　　所以，字元的UTF-16編碼就是0xD834 DF06，長度為四個位元組。

　五、JavaScript使用哪一種編碼？

　　JavaScript語言採用Unicode字元集，但是只支援一種編碼方法。

　　這種編碼既不是UTF-16，也不是UTF-8，更不是UTF-32。上面那些編碼方法，JavaScript都不用。

　　JavaScript用的是UCS-2！

　六、UCS-2編碼

　　怎麼突然殺出一個UCS-2？這就需要講一點曆史。

　　互連網還沒出現的年代，曾經有兩個團隊，不約而同想搞統一字元集。一個是1989年成立的Unicode團隊，另一個是更早的、1988年成立的UCS團隊。等到他們發現了對方的存在，很快就達成一致：世界上不需要兩套統一字元集。

　　1991年10月，兩個團隊決定合并字元集。也就是說，從今以後只發布一套字元集，就是Unicode，並且修訂此前發布的字元集，UCS的碼點將與Unicode完全一致。

　　當時的實際情況是，UCS的開發進度快於Unicode，早在1990年，就公布了第一套編碼方法UCS-2，使用2個位元組表示已經有碼點的字元。（那個時候只有一個平面，就是基本平面，所以2個位元組就夠用了。）UTF-16編碼遲至1996年7月才公布，明確宣布是UCS-2的超集，即基本平面字元沿用UCS-2編碼，輔助平面字元定義了4個位元組的表示方法。

　　兩者的關係簡單說，就是UTF-16取代了UCS-2，或者說UCS-2整合進了UTF-16。所以，現在只有UTF-16，沒有UCS-2。

　七、JavaScript的誕生背景

　　那麼，為什麼JavaScript不選擇更進階的UTF-16，而用了已經被淘汰的UCS-2呢？

　　答案很簡單：非不想也，是不能也。因為在JavaScript語言出現的時候，還沒有UTF-16編碼。

　　1995年5月，Brendan Eich用了10天設計了JavaScript語言；10月，第一個解釋引擎問世；次年11月，Netscape正式向ECMA提交語言標準（整個過程詳見《JavaScript誕生記》）。對比UTF-16的發布時間（1996年7月），就會明白Netscape公司那時沒有其他選擇，只有UCS-2一種編碼方法可用！

　八、JavaScript字元函數的局限

　　由於JavaScript只能處理UCS-2編碼，造成所有字元在這門語言中都是2個位元組，如果是4個位元組的字元，會當作兩個雙位元組的字元處理。JavaScript的字元函數都受到這一點的影響，無法返回正確結果。

　　還是以字元為例，它的UTF-16編碼是4個位元組的0xD834 DF06。問題就來了，4個位元組的編碼不屬於UCS-2，JavaScript不認識，只會把它看作單獨的兩個字元U+D834和U+DF06。前面說過，這兩個碼點是空的，所以JavaScript會認為是兩個Null 字元組成的字串！

　　上面代碼錶示，JavaScript認為字元的長度是2，取到的第一個字元是Null 字元，取到的第一個字元的碼點是0xDB34。這些結果都不正確！

　　解決這個問題，必須對碼點做一個判斷，然後手動調整。下面是正確的遍曆字串的寫法。

複製代碼 代碼如下:while (++index < length) { // ... if (charCode >= 0xD800 && charCode <= 0xDBFF) { output.push(character + string.charAt(++index)); } else { output.push(character); }}

　　上面代碼錶示，遍曆字串的時候，必須對碼點做一個判斷，只要落在0xD800到0xDBFF的區間，就要連同後面2個位元組一起讀取。

　　類似的問題存在於所有的JavaScript字元操作函數。

String.prototype.replace()String.prototype.substring()String.prototype.slice()...

　　上面的函數都只對2位元組的碼點有效。要正確處理4位元組的碼點，就必須逐一部署自己的版本，判斷一下當前字元的碼點範圍。

　九、ECMAScript 6

　　JavaScript的下一個版本ECMAScript 6（簡稱ES6），大幅增強了Unicode支援，基本上解決了這個問題。

　　（1）正確識別字元

　　ES6可以自動識別4位元組的碼點。因此，遍曆字串就簡單多了。

複製代碼 代碼如下:for (let s of string ) { // ...}

　　但是，為了保持相容，length屬性還是原來的行為方式。為了得到字串的正確長度，可以用下面的方式。

複製代碼 代碼如下:Array.from(string).length

　　（2）碼點標記法

　　JavaScript允許直接用碼點表示Unicode字元，寫法是"斜杠+u+碼點"。

複製代碼 代碼如下:'好' === '\u597D' // true

　　但是，這種標記法對4位元組的碼點無效。ES6修正了這個問題，只要將碼點放在大括弧內，就能正確識別。

　　（3）字串處理函數

　　ES6新增了幾個專門處理4位元組碼點的函數。

String.fromCodePoint()：從Unicode碼點返回對應字元String.prototype.codePointAt()：從字元返回對應的碼點String.prototype.at()：返回字串給定位置的字元

　　（4）Regex

　　ES6提供了u修飾符，對Regex添加4位元組碼點的支援。

　　（5）Unicode正規化

　　有些字元除了字母以外，還有附加符號。比如，漢語拼音的Ǒ，字母上面的聲調就是附加符號。對於許多歐洲語言來說，聲調符號是非常重要的。

　　Unicode提供了兩種表示方法。一種是帶附加符號的單個字元，即一個碼點表示一個字元，比如Ǒ的碼點是U+01D1；另一種是將附加符號單獨作為一個碼點，與主體字元複合顯示，即兩個碼點表示一個字元，比如Ǒ可以寫成O（U+004F） + ˇ（U+030C）。

複製代碼 代碼如下:
// 方法一
'\u01D1'
// 'Ǒ'

// 方法二
'\u004F\u030C'
// 'Ǒ'

　　這兩種表示方法，視覺和語義都完全一樣，理應作為等同情況處理。但是，JavaScript無法辨別。

複製代碼 代碼如下:
'\u01D1'==='\u004F\u030C'
//false

　　ES6提供了normalize方法，允許"Unicode正規化"，即將兩種方法轉為同樣的序列。

複製代碼 代碼如下: '\u01D1'.normalize() === '\u004F\u030C'.normalize() // true

　　關於ES6的更多介紹，請看《ECMAScript 6入門》。

　　==========================