CKTIS / JavaScript
Unità di codice UTF-16 e coppie di surrogati
La lunghezza di una stringa JavaScript conta le unità di codice UTF-16, non i punti di codice Unicode né i caratteri percepiti. La distinzione conta quando si indicizza, si estrae o si scorre il testo.
Versione: ECMAScript 2024 and the current web platform; runtime support varies
Sintassi
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)In ECMAScript 2024, un valore String è una sequenza di unità di codice a 16 bit. In UTF-16 ben formato, un valore scalare Unicode da U+0000 a U+FFFF (escluso U+D800–U+DFFF) occupa un’unità. Un valore da U+10000 a U+10FFFF ne occupa due: un surrogato alto (0xD800–0xDBFF) immediatamente seguito da un surrogato basso (0xDC00–0xDFFF). La coppia codifica un solo punto di codice.
s.length conta le unità di codice. Anche s[i], s.slice(start, end) e s.charCodeAt(i) usano indici di unità di codice a partire da zero. Se l’indice è nell’intervallo, s[i] restituisce una stringa contenente una sola unità di codice; fuori intervallo, normalmente restituisce undefined. slice esclude end e può dividere una coppia, mentre charCodeAt restituisce il valore numerico dell’unità (NaN fuori intervallo). s.codePointAt(i) usa lo stesso tipo di indice: all’inizio di una coppia restituisce il valore numerico del punto di codice completo, altrimenti il valore della singola unità, anche se è la seconda metà di una coppia. Fuori intervallo restituisce undefined.
for...of e [...s] usano l’iteratore della stringa, che restituisce ogni coppia valida insieme e le altre unità separatamente, compresi i surrogati isolati. Non è una segmentazione in cluster di grafemi, che approssimano i caratteri percepiti. Per esempio, e seguita da un accento acuto combinante forma due punti di codice ma un solo cluster di grafemi. Per segmentare il testo per grafemi, usa Intl.Segmenter con granularity: "grapheme" se l’ambiente lo supporta.
JavaScript ammette surrogati isolati nelle stringhe. s.isWellFormed() restituisce false se ne è presente almeno uno. s.toWellFormed() restituisce una stringa in cui ciascun surrogato isolato è sostituito da U+FFFD, senza modificare l’originale. Se serve UTF-16 ben formato, decidi se rifiutare o correggere l’input: la sostituzione comporta una perdita di informazioni. Verifica la disponibilità di questi metodi nell’ambiente di destinazione.
Esempi
{
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"}`);
}Risultato
length=5; iterator=4 units=D83D DE00 codePointAt(1)=1F600; codePointAt(2)=DE00 slice(1, 2) is lone high surrogate: true
La stringa ha cinque unità di codice e produce quattro elementi durante l’iterazione. Gli indici `1` e `2` indicano le due metà dell’emoji; `slice(1, 2)` conserva solo il surrogato alto.
Lezioni correlate
- JavaScript · Lezione 2 · Avanzato · Versione: 4