Unicode與JavaScript詳解

標籤：標記法   自動識別   允許   文章   字串   簡單的   兩種方法   長度   解決   

參考文章：

http://www.ruanyifeng.com/blog/2014/12/unicode.html

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）。

U+0000 = null

U+表示緊跟在後面的十六進位數是Unicode的碼點。

JavaScript語言採用Unicode字元集，但是只支援一種編碼方法。

JavaScript用的是UCS-2！

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。

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。

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。

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"反斜線+u+碼點"。

‘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）。

 

// 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。 

‘\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。

 ‘\u01D1‘.normalize() === ‘\u004F\u030C‘.normalize()  // true

 

Unicode與JavaScript詳解