CKTIS / JavaScript
Kódové jednotky UTF-16 a náhradné páry
Dĺžka reťazca v JavaScripte udáva počet kódových jednotiek UTF-16, nie kódových bodov Unicode ani znakov vnímaných používateľom. Na rozdiele záleží pri indexovaní, výreze aj prechádzaní textu.
Verzia: ECMAScript 2024 and the current web platform; runtime support varies
Syntax
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)V ECMAScripte 2024 je hodnota typu String postupnosť 16-bitových kódových jednotiek. V správne utvorenom UTF-16 zaberá skalárna hodnota Unicode od U+0000 po U+FFFF (okrem U+D800–U+DFFF) jednu jednotku. Hodnota od U+10000 po U+10FFFF zaberá dve: po hornej náhradnej jednotke (0xD800–0xDBFF) bezprostredne nasleduje dolná (0xDC00–0xDFFF). Pár kóduje jeden kódový bod.
s.length počíta kódové jednotky. s[i], s.slice(start, end) a s.charCodeAt(i) tiež používajú indexy kódových jednotiek počítané od nuly. Pri indexe v rozsahu s[i] vráti reťazec s jednou kódovou jednotkou, mimo rozsahu zvyčajne vráti undefined. slice nezahŕňa pozíciu end a môže pár rozdeliť, charCodeAt vráti číselnú hodnotu jednotky (mimo rozsahu NaN). s.codePointAt(i) používa rovnaký druh indexu: na začiatku páru vráti číselnú hodnotu celého kódového bodu, inak hodnotu jednej jednotky, aj keď ide o druhú polovicu páru. Mimo rozsahu vráti undefined.
for...of a [...s] používajú iterátor reťazca. Každý platný pár vracia spolu a ostatné jednotky jednotlivo, vrátane nespárovaných náhradných jednotiek. Nejde o členenie na grafémové zhluky, ktoré približne zodpovedajú znakom vnímaným používateľom. Napríklad e, po ktorom nasleduje kombinujúci dĺžeň, tvoria dva kódové body, ale jeden grafémový zhluk. Na členenie podľa grafém použi Intl.Segmenter s granularity: "grapheme", ak ho prostredie podporuje.
JavaScript pripúšťa v reťazcoch nespárované náhradné jednotky. s.isWellFormed() vráti false, ak sa v reťazci nachádza aspoň jedna. s.toWellFormed() vráti reťazec, v ktorom je každá taká jednotka nahradená znakom U+FFFD, bez zmeny pôvodného reťazca. Ak potrebuješ správne utvorené UTF-16, rozhodni sa, či vstup odmietnuť alebo opraviť: pri náhrade sa stráca informácia. Over dostupnosť týchto metód v cieľovom prostredí.
Príklady
{
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"}`);
}Výsledok
length=5; iterator=4 units=D83D DE00 codePointAt(1)=1F600; codePointAt(2)=DE00 slice(1, 2) is lone high surrogate: true
Reťazec obsahuje päť kódových jednotiek a iterátor vracia štyri prvky. Indexy `1` a `2` označujú dve polovice emoji; `slice(1, 2)` ponechá iba hornú náhradnú jednotku.
Súvisiace lekcie
- JavaScript · Lekcia 2 · Pokročilá · Verzia: 4