ECMAScript 6（5）字符串与Unicode编码大于65535的字符

爱被打了一巴掌 2022-07-11 04:59 168阅读 0赞

# 字符串的扩展 #

前注：不关心细节的人，可以看【一句话总结】部分；

### 字符串的Unicode表示法 ###

解释：

1. 首先，任意一个字符（比如数字、英文字符、汉字、符号等）都可以用Unicode的表示方法来表示。
    2. 关于Unicode的更多介绍可以自行百度或者谷歌，其大致可以理解，在js里为用“\u”加上四个十六进制字符来表示任意一个字符。
    3. 在之前版本的js里，若要用Unicode表示一个字符，可以像以下这么做：
    
    console.log("\u0041");    //A
    
    4. 注意，需要补足4位（前面补0）才能正常输出结果，否则会报错；
    5. 如果有一个字符超出\u0000~\uFFFF所能表示的范围呢，那么旧版的写法是无法表示出这个字符的（原因是不能识别）。
    6. 在ES6中，为了避免这个问题的出现，解决办法是用大括号{}将\u后的编码放在一起。
    7. 这样如果不足4位则不用补零，超过4位也无须担心无法解析。如代码：
    
    "\u{41}";    //A
    "\u{20BB7}";    //��，如果看到的是乱码，则自行在浏览器的console里输入本行代码查看，下同

字符表示法汇总（指在字符串里会被自动转换，而不是网页里）

console.log("A");  //普通斜线表示法 
    console.log("\A");  //普通斜线表示法
    console.log("\101");    //斜线后直接数字会被认为是八进制，转换为十进制后是65，而ANSI码中的65表示大写字符A
    console.log("\x41");    //斜线后x开头会被认为是16进制，相当于十进制的65
    console.log("\u0041");  //Unicode表示法
    console.log("\u{41}");  //es6新增
    if ("A" === "\A" && "A" === "\101" && "A" === "\x41" && "A" === "\u0041" && "A" === "\u{41}") {
        console.log("yes");    //yes
    }

他们之间是全等（===）的。

**一句话总结：**

加上大括号，可以显示编码超过65535的字符；

--------------------

### codePointAt(pos) ###

原型：

str.codePointAt(pos)

解释：

1. 简单来说，这个方法返回字符串中某个字符的Unicode编码。
    2. 参数表示显示哪一个字符，类型是number，第一个字符是0，第二个是1。如果不存在则默认为0
    3. 返回值是类型是number，十进制的Unicode编码。
    4. 如果找不到（例如返回长度为1的字符串的第二个字符的编码），会返回Unicode

如代码：

'A'.codePointAt();  //65
    'A'.codePointAt(0); //65
    'ABC'.codePointAt();    //65
    'ABC'.codePointAt(1);   //66表示B
    '��'.codePointAt(0);   //134071

和其类似的有方法 `charCodeAt()`，但这个只能返回编码是0~65535之间的字符的编码，如果超出这个范围，那么就无法正常显示了。但 `codePointAt()` 这个方法依然会正确显示结果。

[MDN的 `charCodeAt()` 的说明][MDN_ _charCodeAt_]

#### **字符串的长度** ####

当字符的Unicode的编码大于65535时，该字符的长度会被认为是2。如代码：

"��".length;    //2

另外，也可以通过这个方法检查某个字符的编码是否大于65535来判断这个字符是2个字节还是4个字节。

#### **返回十六进制的编码** ####

使用toString(16)，数字将会被转为十六进制后并返回，返回值类型是string

'A'.codePointAt(0).toString(16);    //'41'

注意，这里是41是字符串，而且是十六进制的。

#### **大于65535编码的字符的潜在问题** ####

这个方法可以正常显示大于65535编码的文字，但仍存在一个问题，具体来说，看以下代码：

"����".codePointAt(0);     //134071
    "����".codePointAt(1);     //57271

理论上，由于字符串的第一个和第二个字符都是同一个字，那么我们期望当参数为1和参数为2时，返回的是同样的结果134071。

但事实上，当参数为1时，返回的却是57271。

之所以这样，是因为该文字占4个字符，而不是2个字符。因此实际使用时，只有`'����'.codePointAt(2);`的返回值才是134071。

这和我们预期的不符。

**解决办法：**

使用ES6新增加的for…of方法，[点击查看MDN说明][MDN]，或者查阅我以后写的Iterator部分的内容。

简单来说，这个会自动迭代目标，类似for in，但是for in对四个字节的字符是不支持的（他是2个字节2个字节的遍历，对于4个字节的字符会遍历2次）。

如代码：

var str = '����';
    for (let i of str) {
        console.log(i.codePointAt(0));
    }
    //134071
    //134071

--------------------

### String.fromCodePoint() ###

原型：

String.fromCodePoint(num1[, ...[, numN]])

解释：

1. 简单来说，这个拿到编码，返回字符，类型是string；
    2. 这个和fromCharCode()方法相比，可以返回编码大于65535的字符；

可看代码：

String.fromCodePoint(134071);     //��，参数可以是number 
    String.fromCodePoint("0x41");   //A，参数可以是字符串 
    String.fromCodePoint(65);       //A，作为十进制来识别 
    String.fromCodePoint(0x41);     //A，也可以直接是16进制的数字 
    String.fromCodePoint(0101);     //A，也可以是八进制的数字（0开头表示八进制），但注意八进制不能写为字符串 
    String.fromCodePoint(65, 65, 65); //AAA，多个参数直接被依次解释并放在同一个字符串里

总结：

1.  参数可以是字符串或者是number；
2.  如果是string，要能被隐式转化为number，然后转换后再处理；
3.  如果是number类型，那么要是大于等于0的整数，不能是负数，也不能是浮点数（除非小数点后都是0），否则会抛出异常；
4.  凡是不能被正常转化的，都会被抛出异常 `Uncaught SyntaxError: Invalid or unexpected token`
5.  如果该方法有多个参数，那么会依次解析每个参数，并且将其按参数的顺序放到字符串中并返回；

**一句话总结：**

str.codePointAt(pos)

拿到字符，返回编码；

String.fromCodePoint(num1[, ...[, numN]])

拿到编码，返回字符

--------------------

### at(pos) ——注：尚未被支持 ###

解释：

1. 首先，明确在默认情况下，这个方法是不被支持的；
    2. 其次，这个方法的作用是识别四个字节的字符，正确的返回字符串中的第(pos + 1)个字符。
    3. 如果需要使用，则查看github上相关内容

[at()的兼容处理][at]

**一句话总结：**

默认不支持，用于返回字符串指定位置的字符；

--------------------

### normalize() ###

原型：

str.normalize([form])

解释：

1. 这个方法主要用于处理合成字符的；
    2. 对中文无效，对超过2个字符的合成无效；

合成字符：

用阮一峰举得例子就是，`'\u004F\u030C'` 和 `'\u01D1'` 都表示字符 `Ǒ`；  
但是他们的长度不同，也不相等（无论是三个等号还是两个等号），只有视觉和语音上的相同，但对js来说不同；

'\u01D1' == '\u004F\u030C';  //false
    '\u01D1'.length;    //1
    '\u004F\u030C'.length;  //2

因此，通过这个方法，可以返回一个字符，你可以指定他返回的是哪一种形式；  
如何指定，就是靠参数了。

参数：（类型是字符串，要求大写）

同样以Ǒ为例
    'NFC';    返回合成后的字符（例如'\u01D1'这样的）;
    'NFD';    返回分解后的字符（例如'\u004F\u030C'）；
    'NFKC';    返回语义上等价的，合成后的字符；
    'NFKD';    返回语义上等价的，分解后的字符；
    
    合成或者分解的验证可以通过str.length来得知。

语义上的等价我谷歌了一个答案：  
表格：

<table> 
 <tbody> 
  <tr> 
   <td>Character</td> 
   <td>NFC</td> 
   <td>NFD</td> 
   <td>NFKC</td> 
   <td>NFKD</td> 
  </tr> 
  <tr> 
   <td>03D3(ϓ)GREEK UPSILON WITH ACUTE AND HOOK SYMBOL</td> 
   <td>03D3</td> 
   <td>03D2 0301</td> 
   <td>038E</td> 
   <td>03A5 0301</td> 
  </tr> 
  <tr> 
   <td>03D4 (ϔ) GREEK UPSILON WITH DIAERESIS AND HOOK SYMBOL</td> 
   <td>03D4</td> 
   <td>03D2 0308 </td> 
   <td>03AB</td> 
   <td>03A5 0308</td> 
  </tr> 
  <tr> 
   <td>1E9B (ẛ) LATIN SMALL LETTER LONG S WITH DOT ABOVE</td> 
   <td>1E9B</td> 
   <td>017F 0307</td> 
   <td>1E61</td> 
   <td>0073 0307</td> 
  </tr> 
 </tbody> 
</table>

[链接][Link 1]

更详细的解释看阮一峰关于这方面的解释，我就不重复阐述了（反正中文又不支持，偷个懒跳过）。[链接][Link 2]

[MDN_ _charCodeAt_]: https://developer.mozilla.org/zh-CN/docs/Web/JavaScript/Reference/Global_Objects/String/charCodeAt
[MDN]: https://developer.mozilla.org/zh-CN/docs/Web/JavaScript/Reference/Statements/for...of
[at]: https://github.com/es-shims/String.prototype.at
[Link 1]: http://unicode.org/faq/normalization.html
[Link 2]: http://es6.ruanyifeng.com/#docs/string#normalize