微信号:FrontDev

介绍:分享 Web 前端相关的技术文章、工具资源、精选课程、热点资讯

JavaScript 有个 Unicode 的天坑

2016-12-17 20:32 前端大全

(点击上方公众号,可快速关注)


作者:AlloyTeam

链接:www.alloyteam.com/2016/12/javascript-has-a-unicode-sinkhole/


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

  • 💩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 💩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 💩 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″ === “💩”

>true

>”💩”.length

>2


因为”💩”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('💩'); // 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💩的字符串试试


reverse('这是一坨💩')

"��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💩(\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)

'💩' // U+1F4A9

>> '💩'.charCodeAt(0)

0xD83D


一个字,蛋疼!

怎么破? ES6大法好。


>> String.fromCodePoint(0x1F4A9)

'💩' // U+1F4A9

>> '💩'.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💩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('💩')

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('💩') // 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💩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



觉得本文对你有帮助?请分享给更多人

关注「前端大全」,提升前端技能

 
前端大全 更多文章 开发者如何使用 Node.js?来看看这份调查 浅谈框架模式 MVC、MVP 和 MVVM 2016 年前端开发者深度调研 如何写出漂亮的 React 组件 我终于弄懂了各种前端build工具
猜您喜欢 IP 是什么?你该如何从 IP 产业链中掘金? 让你的app无法使用系统截图的探究 全宇宙最强大的跨平台开发利器 Visual Studio 2015的那些开发秘笈 初识Facebook的强大Android图片加载的框架:Fresco 太火爆了--关于《运维前线》的几个问题说明