Javascript有个Unicode的天坑
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
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与UCS
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。
javascript字符处理
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。
坑1——length属性
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
坑2——反转字符串
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？
- ES6的Array.from支持代理对的解析
function reverse(string) {
return Array.from(string).reverse().join('');
}
- 使用 Esrever （reverse反转之后就是esrever…)
坑3——码点与字符互转
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
坑4——正则匹配
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。
ES6的Unicode支持
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正文到此结束
热门推荐
相关文章
Loading...
![[HBLOG]公众号](http://www.liuhaihua.cn/img/qrcode_gzh.jpg)
