CKTIS / JavaScript
Chaînes : UTF-16, points de code et graphèmes
Une chaîne JavaScript est une séquence immuable d’unités de code UTF-16. Découvrez la différence entre unités de code, points de code et graphèmes, ainsi que l’importance de la normalisation pour comparer du texte.
Version : 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)Une valeur string est immuable : les opérations sur le texte ne modifient pas une valeur existante. length et l’accès avec text[index] désignent des unités de code UTF-16 de 16 bits, et non des caractères tels qu’ils sont perçus par les utilisateurs. Un point de code situé hors du plan multilingue de base d’Unicode, comme 😀, occupe une paire de substituts, soit deux unités de code. Une chaîne peut aussi contenir un substitut isolé et ne pas être un texte UTF-16 bien formé.
L’itérateur de chaîne, utilisé par for...of et [...text], conserve les paires de substituts valides et parcourt les points de code. Cela ne compte toujours pas les graphèmes : un graphème correspond approximativement à un caractère perçu par l’utilisateur et peut réunir plusieurs points de code, comme une lettre suivie d’un accent combinant. split("") découpe les unités de code, pas les graphèmes. Pour segmenter les graphèmes, utilisez Intl.Segmenter avec { granularity: "grapheme" }, spécifié dans ECMA-402 ; vérifiez sa disponibilité dans l’environnement cible avant de l’utiliser. La version de Node d’un dépôt ne prouve pas la prise en charge par les navigateurs.
=== compare les séquences d’unités de code sans normalisation automatique. Ainsi, "\u00E9" et "e\u0301" sont différentes, bien qu’elles soient canoniquement équivalentes. normalize("NFC") permet de les comparer après normalisation canonique. NFD, NFKC et NFKD sont également disponibles ; les formes de compatibilité peuvent supprimer des distinctions importantes pour une application. La normalisation ne remplace ni la segmentation en graphèmes ni la comparaison sans tenir compte de la casse.
L’exemple nécessite ECMAScript 2015 : il utilise l’itérateur de chaîne, la syntaxe spread et normalize. Son texte contient quatre unités de code, trois points de code et deux graphèmes. L’exemple ne nécessite ni Intl.Segmenter ni les API Web.
Identifiants de référence couverts par cette entrée : UTF-16, code points, graphemes and normalization.
Exemples
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"));Résultat
4 3 false true
Le code affiché et le résultat déclaré ont été vérifiés dans un environnement isolé selon la méthode consignée dans la preuve de vérification de cette version exacte.