CKTIS / JavaScript
Punti di codice Unicode e cluster di grafemi
JavaScript misura la lunghezza delle stringhe in unità di codice UTF-16, itera per punti di codice e individua i confini dei cluster di grafemi con `Intl.Segmenter`.
Versione: ECMAScript 2024 and the current web platform; runtime support varies
Sintassi
text.length
text[i]
[...text]
new Intl.Segmenter(locale, { granularity: "grapheme" }).segment(text)Un punto di codice Unicode è un valore numerico, come U+0065 per e. In un testo UTF-16 ben formato, un valore scalare Unicode occupa una o due unità di codice da 16 bit. In JavaScript, text.length conta le unità di codice, mentre text[i] e text.slice() usano indici espressi in tali unità. Tagliare il testo a uno di questi indici può spezzare una coppia di surrogati.
[...text] e for...of usano l’iteratore della stringa. L’iteratore mantiene unite le coppie di surrogati valide, restituisce separatamente un surrogato isolato e non raggruppa i punti di codice in cluster di grafemi. Un cluster di grafemi è una sequenza di uno o più punti di codice che corrisponde approssimativamente a un carattere percepito dall’utente. Ad esempio, e seguita dall’accento acuto combinante U+0301 forma un solo cluster.
Per contare i caratteri percepiti o troncare il testo senza spezzare un cluster, usa Intl.Segmenter con { granularity: "grapheme" }. Il metodo segment(text) restituisce un iterabile i cui elementi includono il testo segment e il suo indice iniziale index, contato da zero in unità di codice UTF-16. Puoi passare questo indice direttamente a slice().
Verifica la disponibilità di Intl.Segmenter nell’ambiente di esecuzione di destinazione. I confini possono variare in base all’implementazione e alle impostazioni locali. Se l’API non è disponibile, non sostituire la segmentazione in grafemi con l’iterazione per punti di codice: sono operazioni diverse.
Esempi
{
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(", ")}`);
}Risultato
UTF-16 code units: 4 Code points: 3 Grapheme clusters: 2 Segment start offsets: 0, 2
`e` e l’accento combinante formano il primo cluster. L’emoji forma il secondo, inizia all’indice `2` e occupa due unità di codice. I conteggi attesi sono 4 unità di codice, 3 punti di codice e 2 cluster.
Lezioni correlate
- JavaScript · Lezione 15 · Avanzato · Versione: 4
Fonti
- 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