CKTIS / JavaScript
Points de code Unicode et grappes de graphèmes
JavaScript mesure la longueur des chaînes en unités de code UTF-16, les parcourt par points de code et repère les limites des grappes de graphèmes avec `Intl.Segmenter`.
Version : ECMAScript 2024 and the current web platform; runtime support varies
Syntaxe
text.length
text[i]
[...text]
new Intl.Segmenter(locale, { granularity: "grapheme" }).segment(text)Un point de code Unicode est une valeur numérique, par exemple U+0065 pour e. Dans un texte UTF-16 bien formé, une valeur scalaire Unicode occupe une ou deux unités de code de 16 bits. En JavaScript, text.length compte les unités de code, tandis que text[i] et text.slice() utilisent des indices exprimés dans ces unités. Une coupure à un tel indice peut séparer les deux unités d’une paire de substitution.
[...text] et for...of utilisent l’itérateur de chaîne. Celui-ci préserve les paires de substitution valides, renvoie séparément une unité de substitution isolée et ne regroupe pas les points de code en grappes de graphèmes. Une grappe de graphèmes est une suite d’un ou de plusieurs points de code qui correspond approximativement à un caractère perçu. Par exemple, e suivi de l’accent aigu combinant U+0301 forme une seule grappe.
Pour compter les caractères perçus ou tronquer un texte sans couper une grappe, utilise Intl.Segmenter avec { granularity: "grapheme" }. La méthode segment(text) renvoie un itérable dont les éléments contiennent notamment le texte segment et son indice de départ index, compté à partir de zéro en unités de code UTF-16. Cet indice peut être passé directement à slice().
Vérifie la disponibilité d’Intl.Segmenter dans l’environnement d’exécution cible. Les limites peuvent varier selon l’implémentation et les paramètres régionaux. Si l’API n’est pas disponible, ne remplace pas la segmentation en graphèmes par un parcours des points de code : ce sont deux opérations différentes.
Exemples
{
if (typeof globalThis.Intl?.Segmenter !== "function") {
throw new Error("Intl.Segmenter is required for this example.");
}
const text = "e\u0301\u{1F600}";
const segmenter = new Intl.Segmenter("en", { granularity: "grapheme" });
const graphemes = [...segmenter.segment(text)];
console.log(`UTF-16 code units: ${text.length}`);
console.log(`Code points: ${[...text].length}`);
console.log(`Grapheme clusters: ${graphemes.length}`);
console.log(`Segment start offsets: ${graphemes.map(({ index }) => index).join(", ")}`);
}Résultat
UTF-16 code units: 4 Code points: 3 Grapheme clusters: 2 Segment start offsets: 0, 2
`e` et l’accent combinant forment la première grappe. L’émoji forme la seconde, commence à l’indice `2` et occupe deux unités de code. Les résultats attendus sont 4 unités de code, 3 points de code et 2 grappes.
Leçons associées
- JavaScript · Leçon 15 · Avancé · Version : 4
Sources
- ECMAScript 2024 Language Specification — The String Type
- ECMAScript 2024 Language Specification — String.prototype [ @@iterator ]
- ECMAScript 2024 Internationalization API Specification — Intl.Segmenter.prototype.segment
- ECMAScript 2024 Internationalization API Specification — CreateSegmentDataObject
- ECMAScript 2024 Internationalization API Specification — FindBoundary
- MDN — Intl.Segmenter