Znalostní bázeCentrum zkoušek
CSČeština
Vybrat jazyk13

CKTIS / JavaScript

Řetězce: UTF-16, kódové body a grafémy

Řetězec v JavaScriptu je neměnná posloupnost kódových jednotek UTF-16. Zjistěte, jaký je rozdíl mezi kódovými jednotkami, kódovými body a grafémy a proč je normalizace důležitá při porovnávání textu.

Verze: ECMAScript and Web APIs; exact feature edition and browser support reviewed per entry; Node 24 in repository does not prove browser API support

Syntaxe

text.length; text[index]; [...text]; text.normalize("NFC"); new Intl.Segmenter("en", { granularity: "grapheme" }).segment(text)

Hodnota string je neměnná: textové operace nemění existující hodnotu. length a indexování pomocí text[index] se vztahují k 16bitovým kódovým jednotkám UTF-16, nikoli ke znakům vnímaným uživatelem. Kódový bod mimo základní vícejazyčnou rovinu Unicode, například 😀, zabírá pár surrogátů, tedy dvě kódové jednotky. Řetězec může obsahovat i osamocený surrogát, a nemusí proto být správně utvořeným textem UTF-16.

Iterátor řetězce používaný v for...of a [...text] zachovává platné páry surrogátů a prochází kódové body. Ani tak ale nepočítá grafémy: grafém přibližně odpovídá jednomu znaku vnímanému uživatelem a může obsahovat několik kódových bodů, například písmeno následované kombinující diakritikou. split("") rozděluje kódové jednotky, nikoli grafémy. Pro segmentaci grafémů použijte Intl.Segmenter s { granularity: "grapheme" }, který je specifikován v ECMA-402; před použitím ověřte jeho dostupnost v cílovém prostředí. Verze Node v repozitáři nedokazuje podporu v prohlížečích.

=== porovnává posloupnosti kódových jednotek bez automatické normalizace. Proto "\u00E9" a "e\u0301" nejsou stejné, přestože jsou kanonicky ekvivalentní. normalize("NFC") umožňuje jejich porovnání po kanonické normalizaci. K dispozici jsou také NFD, NFKC a NFKD; kompatibilitní formy mohou odstranit rozdíly důležité pro aplikaci. Normalizace nenahrazuje segmentaci grafémů ani porovnávání bez ohledu na velikost písmen.

Příklad vyžaduje ECMAScript 2015: používá iterátor řetězce, syntaxi spread a normalize. Text obsahuje čtyři kódové jednotky, tři kódové body a dva grafémy. Příklad nevyžaduje Intl.Segmenter ani Web API.

Referenční identifikátory zahrnuté v tomto hesle: UTF-16, code points, graphemes and normalization.

Příklady

const text = "\u{1F600}e\u0301";
const composed = "\u00E9";
const decomposed = "e\u0301";

console.log(text.length);
console.log([...text].length);
console.log(composed === decomposed);
console.log(composed.normalize("NFC") === decomposed.normalize("NFC"));

Výsledek

4
3
false
true

Zobrazený kód a uvedený výsledek byly ověřeny v izolovaném prostředí metodou zaznamenanou v dokladu o ověření této přesné verze.

Zdroje