WissensdatenbankPrüfungszentrum
DEDeutsch
Sprache wählen13

CKTIS / JavaScript

Strings: UTF-16, Codepoints und Grapheme

Ein JavaScript-String ist eine unveränderliche Folge von UTF-16-Codeeinheiten. Erfahre, worin sich Codeeinheiten, Codepoints und Grapheme unterscheiden und warum Normalisierung beim Vergleichen von Text wichtig ist.

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

Syntax

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

Ein string-Wert ist unveränderlich: Textoperationen ändern keinen bestehenden Wert. length und der Zugriff über text[index] beziehen sich auf 16-Bit-UTF-16-Codeeinheiten, nicht auf Zeichen, wie sie Menschen wahrnehmen. Ein Codepoint außerhalb der Unicode-BMP, etwa 😀, belegt ein Surrogatpaar, also zwei Codeeinheiten. Ein String kann auch ein einzelnes Surrogat enthalten und muss daher kein wohlgeformter UTF-16-Text sein.

Der String-Iterator, der von for...of und [...text] verwendet wird, erhält gültige Surrogatpaare und iteriert über Codepoints. Damit werden trotzdem keine Grapheme gezählt: Ein Graphem entspricht ungefähr einem vom Nutzer wahrgenommenen Zeichen und kann mehrere Codepoints enthalten, etwa einen Buchstaben mit einem kombinierenden Akzent. split("") teilt an Codeeinheiten, nicht an Graphemen. Für die Graphemsegmentierung dient Intl.Segmenter mit { granularity: "grapheme" }, festgelegt in ECMA-402; prüfe vor der Verwendung die Verfügbarkeit in der Zielumgebung. Die Node-Version eines Repositorys belegt keine Browser-Unterstützung.

=== vergleicht Folgen von Codeeinheiten ohne automatische Normalisierung. Deshalb sind "\u00E9" und "e\u0301" ungleich, obwohl sie kanonisch äquivalent sind. Mit normalize("NFC") lassen sie sich nach kanonischer Normalisierung vergleichen. Außerdem gibt es NFD, NFKC und NFKD; Kompatibilitätsformen können für eine Anwendung wichtige Unterschiede beseitigen. Normalisierung ersetzt weder Graphemsegmentierung noch einen Vergleich ohne Beachtung der Groß- und Kleinschreibung.

Das Beispiel erfordert ECMAScript 2015: Es verwendet den String-Iterator, Spread-Syntax und normalize. Sein Text enthält vier Codeeinheiten, drei Codepoints und zwei Grapheme. Das Beispiel benötigt weder Intl.Segmenter noch Web-APIs.

In diesem Eintrag behandelte Referenzbezeichner: UTF-16, code points, graphemes and normalization.

Beispiele

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"));

Ergebnis

4
3
false
true

Der angezeigte Code und das angegebene Ergebnis wurden in einer isolierten Umgebung mit der im Prüfnachweis für genau diese Version dokumentierten Methode verifiziert.

Quellen