CKTIS / JavaScript
Unidades de código UTF-16 y pares sustitutos
La longitud de una cadena JavaScript cuenta unidades de código UTF-16, no puntos de código Unicode ni caracteres percibidos. La diferencia importa al indexar, extraer fragmentos o recorrer texto.
Versión: ECMAScript 2024 and the current web platform; runtime support varies
Sintaxis
s.length; s[i]; s.slice(start, end); s.charCodeAt(i); s.codePointAt(i); [...s]; s.isWellFormed(); s.toWellFormed(); new Intl.Segmenter(undefined, { granularity: "grapheme" }).segment(s)En ECMAScript 2024, un valor String es una secuencia de unidades de código de 16 bits. En UTF-16 bien formado, un valor escalar Unicode de U+0000 a U+FFFF (salvo U+D800–U+DFFF) ocupa una unidad. Un valor de U+10000 a U+10FFFF ocupa dos: un sustituto alto (0xD800–0xDBFF) seguido inmediatamente de uno bajo (0xDC00–0xDFFF). El par codifica un solo punto de código.
s.length cuenta unidades de código. s[i], s.slice(start, end) y s.charCodeAt(i) también usan índices de unidades de código que empiezan en cero. Si el índice está dentro del intervalo, s[i] devuelve una cadena con una sola unidad de código; fuera del intervalo, normalmente devuelve undefined. slice excluye end y puede separar un par, y charCodeAt devuelve el valor numérico de la unidad (NaN fuera del intervalo). s.codePointAt(i) usa el mismo tipo de índice: al inicio de un par devuelve el valor numérico del punto de código completo; en los demás casos, el de una sola unidad, incluso en la segunda mitad de un par. Fuera del intervalo devuelve undefined.
for...of y [...s] usan el iterador de la cadena, que entrega cada par válido junto y las demás unidades por separado, incluidos los sustitutos aislados. Esto no segmenta el texto en clústeres de grafemas, que se aproximan a los caracteres percibidos. Por ejemplo, e seguida de un acento agudo combinante forma dos puntos de código, pero un solo clúster de grafemas. Para segmentar por grafemas, usa Intl.Segmenter con granularity: "grapheme" si el entorno lo admite.
JavaScript admite sustitutos aislados en las cadenas. s.isWellFormed() devuelve false si hay alguno. s.toWellFormed() devuelve una cadena en la que cada sustituto aislado se reemplaza por U+FFFD, sin modificar la original. Si necesitas UTF-16 bien formado, decide si rechazar o reparar la entrada: el reemplazo pierde información. Comprueba que estos métodos estén disponibles en el entorno de destino.
Ejemplos
{
const s = "A\u{1F600}e\u0301";
const hex = n => n.toString(16).toUpperCase();
console.log(`length=${s.length}; iterator=${[...s].length}`);
console.log(`units=${hex(s.charCodeAt(1))} ${hex(s.charCodeAt(2))}`);
console.log(`codePointAt(1)=${hex(s.codePointAt(1))}; codePointAt(2)=${hex(s.codePointAt(2))}`);
console.log(`slice(1, 2) is lone high surrogate: ${s.slice(1, 2) === "\uD83D"}`);
}Resultado
length=5; iterator=4 units=D83D DE00 codePointAt(1)=1F600; codePointAt(2)=DE00 slice(1, 2) is lone high surrogate: true
La cadena contiene cinco unidades de código y produce cuatro elementos al iterar. Los índices `1` y `2` señalan las dos mitades del emoji; `slice(1, 2)` conserva solo el sustituto alto.
Lecciones relacionadas
- JavaScript · Lección 2 · Avanzado · Versión: 4