CKTIS / JavaScript
Kodne enote UTF-16 in nadomestni pari
Dolžina niza v JavaScriptu šteje kodne enote UTF-16, ne kodnih točk Unicode ali znakov, kot jih zazna uporabnik. Razlika je pomembna pri indeksiranju, izrezovanju in iteraciji po besedilu.
Različica: ECMAScript 2024 and the current web platform; runtime support varies
Sintaksa
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 ECMAScriptu 2024 je vrednost tipa String zaporedje 16-bitnih kodnih enot. V pravilno oblikovanem UTF-16 skalarna vrednost Unicode od U+0000 do U+FFFF (razen U+D800–U+DFFF) zavzame eno enoto. Vrednost od U+10000 do U+10FFFF zavzame dve: visoki nadomestni enoti (0xD800–0xDBFF) neposredno sledi nizka (0xDC00–0xDFFF). Par kodira eno kodno točko.
s.length šteje kodne enote. Tudi s[i], s.slice(start, end) in s.charCodeAt(i) uporabljajo indekse kodnih enot, ki se začnejo pri nič. Pri indeksu znotraj obsega s[i] vrne niz z eno kodno enoto, zunaj obsega pa običajno vrne undefined. slice ne vključi položaja end in lahko razdeli par, charCodeAt pa vrne številsko vrednost enote (NaN zunaj obsega). s.codePointAt(i) uporablja isto vrsto indeksa: na začetku para vrne številsko vrednost celotne kodne točke, sicer vrednost posamezne enote, tudi če gre za drugo polovico para. Zunaj obsega vrne undefined.
for...of in [...s] uporabljata iterator niza, ki vrne vsak veljaven par skupaj, druge enote pa ločeno, tudi nesparjene nadomestne enote. To ni členjenje na grafemske skupke, ki približno ustrezajo znakom, kot jih zazna uporabnik. Na primer, e in sledeči kombinirajoči ostrivec sta dve kodni točki, a en grafemski skupek. Za členjenje besedila po grafemih uporabi Intl.Segmenter z granularity: "grapheme", če ga okolje podpira.
JavaScript v nizih dopušča nesparjene nadomestne enote. s.isWellFormed() vrne false, če je prisotna vsaj ena. s.toWellFormed() vrne niz, v katerem je vsaka taka enota zamenjana z znakom U+FFFD, ne da bi spremenil izvirnik. Če potrebuješ pravilno oblikovan UTF-16, se odloči, ali vhodne podatke zavrniti ali popraviti: pri zamenjavi se izgubi informacija. Preveri razpoložljivost teh metod v ciljnem okolju izvajanja.
Primeri
{
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"}`);
}Rezultat
length=5; iterator=4 units=D83D DE00 codePointAt(1)=1F600; codePointAt(2)=DE00 slice(1, 2) is lone high surrogate: true
Niz ima pet kodnih enot, iterator pa vrne štiri elemente. Indeksa `1` in `2` označujeta polovici emodžija; `slice(1, 2)` ohrani le visoko nadomestno enoto.
Povezane lekcije
- JavaScript · Lekcija 2 · Napredna · Različica: 4