CKTIS / JavaScript
Stringhe: UTF-16, punti di codice e grafemi
Una stringa JavaScript è una sequenza immutabile di unità di codice UTF-16. Scopri la differenza tra unità di codice, punti di codice e grafemi e perché la normalizzazione è importante quando si confronta il testo.
Versione: ECMAScript and Web APIs; exact feature edition and browser support reviewed per entry; Node 24 in repository does not prove browser API support
Sintassi
text.length; text[index]; [...text]; text.normalize("NFC"); new Intl.Segmenter("en", { granularity: "grapheme" }).segment(text)Un valore string è immutabile: le operazioni sul testo non modificano un valore esistente. length e l’accesso con text[index] fanno riferimento a unità di codice UTF-16 a 16 bit, non ai caratteri percepiti dagli utenti. Un punto di codice al di fuori del piano multilingue di base di Unicode, come 😀, occupa una coppia di surrogati, cioè due unità di codice. Una stringa può anche contenere un surrogato isolato e quindi non essere testo UTF-16 ben formato.
L’iteratore delle stringhe, usato da for...of e [...text], conserva le coppie di surrogati valide e scorre i punti di codice. Questo non conta comunque i grafemi: un grafema approssima un carattere percepito dall’utente e può includere più punti di codice, come una lettera seguita da un accento combinante. split("") divide le unità di codice, non i grafemi. Per segmentare i grafemi, usa Intl.Segmenter con { granularity: "grapheme" }, specificato in ECMA-402; prima dell’uso verifica che sia disponibile nell’ambiente di destinazione. La versione di Node presente in un repository non dimostra il supporto nei browser.
=== confronta sequenze di unità di codice senza normalizzazione automatica. Di conseguenza, "\u00E9" e "e\u0301" sono diversi, anche se canonicamente equivalenti. normalize("NFC") permette di confrontarli dopo la normalizzazione canonica. Sono disponibili anche NFD, NFKC e NFKD; le forme di compatibilità possono eliminare distinzioni importanti per un’applicazione. La normalizzazione non sostituisce la segmentazione dei grafemi né il confronto che ignora maiuscole e minuscole.
L’esempio richiede ECMAScript 2015: usa l’iteratore delle stringhe, la sintassi spread e normalize. Il testo contiene quattro unità di codice, tre punti di codice e due grafemi. L’esempio non richiede Intl.Segmenter né API Web.
Identificatori di riferimento trattati in questa voce: UTF-16, code points, graphemes and normalization.
Esempi
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"));Risultato
4 3 false true
Il codice mostrato e il risultato dichiarato sono stati verificati in un ambiente isolato con il metodo registrato nella prova di verifica di questa versione esatta.