CKTIS / JavaScript
Cadenas: UTF-16, puntos de código y grafemas
Una cadena de JavaScript es una secuencia inmutable de unidades de código UTF-16. Aprende en qué se diferencian las unidades de código, los puntos de código y los grafemas, y por qué la normalización importa al comparar texto.
Versión: ECMAScript and Web APIs; exact feature edition and browser support reviewed per entry; Node 24 in repository does not prove browser API support
Sintaxis
text.length; text[index]; [...text]; text.normalize("NFC"); new Intl.Segmenter("en", { granularity: "grapheme" }).segment(text)Un valor string es inmutable: las operaciones de texto no modifican un valor existente. length y el acceso mediante text[index] se refieren a unidades de código UTF-16 de 16 bits, no a caracteres percibidos por las personas. Un punto de código fuera del plano multilingüe básico de Unicode, como 😀, ocupa un par sustituto, es decir, dos unidades de código. Una cadena también puede contener un sustituto aislado, por lo que no tiene por qué ser texto UTF-16 bien formado.
El iterador de cadenas, que usan for...of y [...text], conserva los pares sustitutos válidos e itera sobre puntos de código. Aun así, esto no cuenta grafemas: un grafema representa aproximadamente un carácter percibido por el usuario y puede incluir varios puntos de código, como una letra seguida de un acento combinante. split("") divide unidades de código, no grafemas. Para segmentar grafemas, usa Intl.Segmenter con { granularity: "grapheme" }, especificado en ECMA-402; comprueba que esté disponible en el entorno de destino antes de usarlo. La versión de Node de un repositorio no demuestra que los navegadores lo admitan.
=== compara secuencias de unidades de código sin normalización automática. Por eso, "\u00E9" y "e\u0301" no son iguales, aunque sean canónicamente equivalentes. normalize("NFC") permite compararlas después de la normalización canónica. También están disponibles NFD, NFKC y NFKD; las formas de compatibilidad pueden eliminar distinciones importantes para una aplicación. La normalización no sustituye la segmentación de grafemas ni la comparación que no distingue entre mayúsculas y minúsculas.
El ejemplo requiere ECMAScript 2015: usa el iterador de cadenas, la sintaxis spread y normalize. Su texto contiene cuatro unidades de código, tres puntos de código y dos grafemas. El ejemplo no requiere Intl.Segmenter ni API web.
Identificadores de referencia incluidos en esta entrada: UTF-16, code points, graphemes and normalization.
Ejemplos
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"));Resultado
4 3 false true
El código mostrado y el resultado declarado se verificaron en un entorno aislado mediante el método registrado en la evidencia de verificación de esta versión exacta.