郁郁青青 长过千寻

JavaScript 有个 Unicode 天坑

    翻译

  1. Unicode 基础
  2. 转义序列
  3. 计算字符串中的字符数量
    1. 解释辅助符号
    2. 解释规范化
    3. 解释其它组合标志
    4. 解释其他类型的字型族
  4. 逆转 JS 字符串
  5. 关于字符串方法里的 Unicode 问题
    1. 转变码点至符号
    2. 从字符串里获取符号字符
    3. 从字符串获取码点
    4. 遍历字符串的所有符号字符
    5. 别的问题
  6. 正则里的 Unicode 问题
    1. 匹配码点和 Unicode scalar 值
    2. 字符集合中的辅助符号
  7. 生活中的 bug,以及如何避免
  8. 介绍……The Pile of Poo Test™
  9. Slides
  10. Translations
  11. Comments

原文:https://mathiasbynens.be/notes/javascript-unicode

来源:https://stackoverflow.com/questions/54369513/how-to-count-the-correct-length-of-a-string-with-emojis-in-javascript

原文日期:20th October 2013

原文作者:Mathias

翻译日期:01/16/23 00:15:24 CST

JS 处理 Unicode 的方法非常的……惊吓。本文解释了 JS 里和 Unicode 相关的痛点,提供了常见问题的解决方案,也解释了 ES6 标准是怎样改善现阶段的。

Unicode 基础

在我们深入 JS 前,我们要保证我们对 Unicode 的理解在同一次元。

我们很容易把 Unicode 想像成一个数据库,它把所有符号都映射成了被称为码点的数字和一个唯一名称。这就能很简单地引用一个特定符号而不使用符号本身。例如:

码点通常被展示成十六进制数字,“零填充”至少四位,携带“U+”前缀。

码点的范围是从 U+0000 到 U+10FFFF 之间,大概有 110 万(1114095)个字符。为了井然有序不失控,Unicode 把码点分成了 17 个平面(17 等份),每个平面有 65000(65535)个码点。

第一个平面(U+0000 → U+FFFF)被称为基本多文种平面BMP,也是最重要的一个平面,因为它囊括了所有最常用的字符。在英语文档里,大部分情况你不再需要 BMP 平面外的其它平面的字符了。和别的平面一样,BMP 里有 65000 个符号。

剩下的约 100 万个码点(U+010000 → U+10FFFF)分布在 BMP 之外。属于这些码点的平面被称为补充(辅助)平面,或星星平面(后文统一称为辅助平面,辅助平面中的字符称为辅助字符,辅助字符的码点称为辅助码点)。

辅助码点很好识别:如果某个字符需要你用大于 4 位的十六进制数来表示码点,那它就是辅助码点。

现在我们对 Unicode 有了基本认识,让我们看看它是怎么应用在 JavaScript 的字符串里的。

转义序列

你可能以前看过这样的东西

1
2
3
4
5
>> '\x41\x42\x43'
'ABC'

>> '\x61\x62\x63'
'abc'

这是十六进制转义序列。他们由两位十六进制数字组成,用来引用匹配到的码点。例如,\x41表示 U+0041 大写字母 A。这种转义序列可以表示在 U+0000 到 U+00FF 间的码点。

下面这种转义也很常见:

1
2
3
4
5
>> '\u0041\u0042\u0043'
'ABC'

>> 'I \u2661 JavaScript!'
'I ♡ JavaScript!'

这是 Unicode 转义序列。他们用 4 位十六进制数字表示码点。例如,\u2661表示 U+2661 白色心形。这些转移序列可以表示 U+0000 到 U+FFFF 范围内的码点,也就是完整的基本多文种平面(BMP)。

其它平面的码点如何表示——辅助平面呢?我们还需要添加 4 位十六进制数字(共 8 位)来表示这些码点……所以该怎么转义它们?

在 ES6 中很容易,因为 ES6 引入了一种新的转义序列方法:Unicode 码点转义。例如:

1
2
3
4
5
>> '\u{41}\u{42}\u{43}'
'ABC'

>> '\u{1F4A9}'
'💩' // U+1F4A9 PILE OF POO

你可以在花括号之间写十六进制数字,这样能够表示所有的码点。这不会像上面的十六进制转移序列和 Unicode 转移序列,没有限制花括号内数字的位数,所以可以很容易转义所有字符的码点。

如果要向后兼容 ES5 和更老的环境,不好意思只能用代理对的方式(来表示辅助平面的字符):

1
2
>> '\uD83D\uDCA9'
'💩' // U+1F4A9 PILE OF POO

这个例子里,每个转义字符表示半个代理对的码点。两个一半的代理对组成一个辅助平面的字符。

请注意代理对由两部分组成,代理对是由原始码点计算出来的,已经和原始码点不一样了。有公式可以通过辅助码点计算出代理对,也可以通过代理对计算出辅助码点。

使用代理对能表示所有的辅助码点(从 U+010000 到 U+10FFFF)……可是像这样用单个转义字符表示 BMP 符号,用两个转义字符表示辅助符号,会让人觉得困惑了,最终也会产生很多混乱的问题。

计算字符串中的字符数量

如果你要计算字符串长度,该怎么做?

我的第一反应很简单,通过 length 属性得到字符串长度。

1
2
3
4
5
6
7
8
9
10
11
>> 'A'.length // U+0041 LATIN CAPITAL LETTER A
1

>> 'A' == '\u0041'
true

>> 'B'.length // U+0042 LATIN CAPITAL LETTER B
1

>> 'B' == '\u0042'
true

这个例子里,length 属性实际反映了字符数量。很容易理解:如果用转移序列表示符号,很明显对于每个符号,我们只需要一个转义字符。可是,事情不会一直顺利!下面是个稍微不同的例子:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
>> '𝐀'.length // U+1D400 MATHEMATICAL BOLD CAPITAL A
2

>> '𝐀' == '\uD835\uDC00'
true

>> '𝐁'.length // U+1D401 MATHEMATICAL BOLD CAPITAL B
2

>> '𝐁' == '\uD835\uDC01'
true

>> '💩'.length // U+1F4A9 PILE OF POO
2

>> '💩' == '\uD83D\uDCA9'
true

JavaScript 在内部用代理对表示辅助符号,且把代理对的两部分当成成分开的两个“字符”。如果你只能用兼容 ES5 的转义序列表示符号,你会看到辅助符号都需要两个转义符号表示。让人难懂,因为我实际看见的字符数量和计算机告诉我的数量不一样。

解释辅助符号

回到问题:该怎样在 JS 里准确地获取符号字符数量?答案是计算代理对的数量,把每个代理对当成单个字符。就像下面这样:

1
2
3
4
5
6
7
8
9
var regexAstralSymbols = /[\uD800-\uDBFF][\uDC00-\uDFFF]/g;

function countSymbols(string) {
return string
// Replace every surrogate pair with a BMP symbol.
.replace(regexAstralSymbols, '_')
// …and *then* get the length.
.length;
}

或者如果你用 Punycode.jsNode.js 内置),可以用它的工具方法在 JS 字符串和 Unicode 码点间转换。punycode.ucs2.decode 方法把一个字符串转换成一个 Unicode 码点数组;每一个元素对应了每个符号。

1
2
3
function countSymbols(string) {
return punycode.ucs2.decode(string).length;
}

ES6 中,你可以利用 Array.from来计算字符串长度,它使用字符串迭代器来把字符串按单个符号字符分割成数组。

1
2
3
function countSymbols(string) {
return Array.from(string).length;
}

或者也可以使用解构符号 ...

1
2
3
function countSymbols(string) {
return [...string].length;
}

使用以上的任意一个 ES6 方法,我们的结果都更准确了:

1
2
3
4
5
6
7
8
>> countSymbols('A') // U+0041 LATIN CAPITAL LETTER A
1

>> countSymbols('𝐀') // U+1D400 MATHEMATICAL BOLD CAPITAL A
1

>> countSymbols('💩') // U+1F4A9 PILE OF POO
1

解释规范化

但如果我们更考究一点,计算字符串字符数量有更复杂的场景。考虑下面的例子:

1
2
>> 'mañana' == 'mañana'
false

JS 说这两个串不同,但我们看上去是一摸一样!所以又出了什么问题?

我的 JS 转义工具会告诉你,原来是下面这样:

1
2
3
4
5
6
7
8
>> 'ma\xF1ana' == 'man\u0303ana'
false

>> 'ma\xF1ana'.length
6

>> 'man\u0303ana'.length
7

第一个字符串包括了 U+00F1 带颚化符的拉丁小写字母 N,第二个字符串使用两个单独的码点(U+006E 拉丁小写字母 NU+0303 组合颚化符)来创建相同的字型。这就解释了为什么它们不等,为什么有不同的 length

可如果我们想拿到我们实际看到的字符数量,我们预期的答案是两个长度为 6 的字符串,因为这是视觉上能够区分的数量。该怎样实现呢?

ES6 的方案很简单:

1
2
3
4
5
6
function countSymbolsPedantically(string) {
// Unicode Normalization, NFC form, to account for lookalikes:
var normalized = string.normalize('NFC');
// Account for astral symbols / surrogates, just like we did before:
return punycode.ucs2.decode(normalized).length;
}

String.prototype 上的 normalize 方法执行 Unicode 规范化。如果某个单个码点和另一个通过组合标志(combining mark)组合的码点,形成了相同的字型,他会被规范化成一个单独的码点形式。

1
2
3
4
>> countSymbolsPedantically('mañana') // U+00F1
6
>> countSymbolsPedantically('mañana') // U+006E + U+0303
6

如果要向后兼容 ES5 和更老的环境,可以使用一个 String.prototype.normalize 的 polyfill

解释其它组合标志

目前为止还不够完美——应用多个组合符号的码点总会得到一个视觉上是单个字型的字符,但这个字符可能没有规范化的形式,这种情况规范化也没有帮助。例如:

1
2
3
4
5
6
7
8
>> 'q\u0307\u0323'.normalize('NFC') // `q̣̇`
'q\u0307\u0323'

>> countSymbolsPedantically('q\u0307\u0323')
3 // not 1

>> countSymbolsPedantically('Z͑ͫ̓ͪ̂ͫ̽͏̴̙̤̞͉͚̯̞̠͍A̴̵̜̰͔ͫ͗͢L̠ͨͧͩ͘G̴̻͈͍͔̹̑͗̎̅͛́Ǫ̵̹̻̝̳͂̌̌͘!͖̬̰̙̗̿̋ͥͥ̂ͣ̐́́͜͞')
74 // not 6

如果你需要一个更准确的结果,你可以用一个正则来移除组合标志。

1
2
3
4
5
6
7
8
9
10
11
12
// Note: replace the following regular expression with its transpiled equivalent
// to make it work in old environments. https://mths.be/bwm
var regexSymbolWithCombiningMarks = /(\P{Mark})(\p{Mark}+)/gu;

function countSymbolsIgnoringCombiningMarks(string) {
// Remove any combining marks, leaving only the symbols they belong to:
var stripped = string.replace(regexSymbolWithCombiningMarks, function($0, symbol, combiningMarks) {
return symbol;
});
// Account for astral symbols / surrogates, just like we did before:
return punycode.ucs2.decode(stripped).length;
}

这个函数移除所有组合标志,只留下原字符本身。(未匹配到的组合标志被完好地保留下来?)。这个方案甚至能在 ES3 的环境工作,它提供了目前为止最准确的结果:

1
2
3
4
>> countSymbolsIgnoringCombiningMarks('q\u0307\u0323')
1
>> countSymbolsIgnoringCombiningMarks('Z͑ͫ̓ͪ̂ͫ̽͏̴̙̤̞͉͚̯̞̠͍A̴̵̜̰͔ͫ͗͢L̠ͨͧͩ͘G̴̻͈͍͔̹̑͗̎̅͛́Ǫ̵̹̻̝̳͂̌̌͘!͖̬̰̙̗̿̋ͥͥ̂ͣ̐́́͜͞')
6

解释其他类型的字型族

上面的算法还是太简单了——它不能处理类似 நி ( + ி)的字型族,由 conjoining Jamo 构成的韩文,例如 깍 + + ),emoji 序列,例如 👨‍👩‍👧‍👦👨 + U+200D ZERO WIDTH JOINER + 👩 + U+200D ZERO WIDTH JOINER + 👧 + U+200D ZERO WIDTH JOINER + 👦),以及其它类似的符号。

Unicode Text Segmentation 上的 Unicode Standard Annex #29 描述了一种确定字型族边界的算法。如果要完全准确的结果,工作于所有 Unicode scripts 中,就要在 JS 里实现这个算法,然后就能把每个字型族当作单个符号。已经有一个关于这项工作的草案

逆转 JS 字符串

这是个类似问题的例子:在 JS 里逆转一个字符串。这还不简单?飞快写出答案:

1
2
3
4
// naive solution
function reverse(string) {
return string.split('').reverse().join('');
}

大部分情况都工作良好:

1
2
3
4
5
>> reverse('abc')
'cba'

>> reverse('mañana') // U+00F1
'anañam'

直到碰到了包含组合标志和辅助符号的字符串,就完全错误了:

1
2
3
4
5
>> reverse('mañana') // U+006E + U+0303
'anãnam' // note: the `~` is now applied to the `a` instead of the `n`

>> reverse('💩') // U+1F4A9
'��' // `'\uDCA9\uD83D'`, the surrogate pair for `💩` in the wrong order

为了能在 ES6 中正确地逆转辅助符号,我们要利用 Array.from 使用字符串迭代器

1
2
3
4
// slightly better solution that relies on ES6 StringIterator and `Array.from`
function reverse(string) {
return Array.from(string).reverse().join('');
}

虽然辅助符号的代理对问题解决了,但还是不能解决带有组合符号的字符串。

可幸,有一位叫 Missy Elliot 的杰出计算机科学家提出了一种解决这些问题的算法

I put my thang down, flip it, and reverse it. I put my thang down, flip it, and reverse it.「我抛开当下,转换姿势。我抛开当下,转换姿势。——歌曲“Work It”的网易云翻译」

事实上:通过将组合标志和被组合的符号进行交换,以及在进一步字符串操作之前逆转代理对,可以成功避免这些问题。谢谢你,Missy!

1
2
3
4
5
6
7
// using Esrever (https://mths.be/esrever)

>> esrever.reverse('mañana') // U+006E + U+0303
'anañam'

>> esrever.reverse('💩') // U+1F4A9
'💩' // U+1F4A9

关于字符串方法里的 Unicode 问题

这种代理对的行为同样影响了其他字符串方法。

转变码点至符号

String.fromCharCode 允许你通过 Unicode 码点创建字符串。但是这个方法只能正确处理 BMP 中的范围(U+0000 到 U+FFFF)。如果你需要辅助码点,将不符预期。

1
2
3
4
5
>> String.fromCharCode(0x0041) // U+0041
'A' // U+0041

>> String.fromCharCode(0x1F4A9) // U+1F4A9
'' // U+F4A9, not U+1F4A9

唯一的解决办法是自己计算,自己计算代理对的两部分,分别作为参数传入。

1
2
>> String.fromCharCode(0xD83D, 0xDCA9)
'💩' // U+1F4A9

如果你不想体验计算代理对的糟糕生活,你还得用 Punycode.js 的工具方法:

1
2
>> punycode.ucs2.encode([ 0x1F4A9 ])
'💩' // U+1F4A9

可幸,ES6 引入了能正确处理辅助符号的 String.fromCodePoint。它可以被用到所有 Unicode 码点中,范围是 U+000000 到 U+10FFFF 全覆盖。

1
2
>> String.fromCodePoint(0x1F4A9)
'💩' // U+1F4A9

要兼容 ES5 和更老的版本,要使用 String.fromCodePoint 的 polyfill

从字符串里获取符号字符

如果你要用 String.prototype.charAt 来获取首字符是便便的字符串的第一个字符,你只会得到半个代理对,而不是整个字符。

1
2
>> '💩'.charAt(0) // U+1F4A9
'\uD83D' // U+D83D, i.e. the first surrogate half for U+1F4A9

ES7 有个引入 String.prototype.at 的草案。它会像 charAt 一样但是能获取到完整的字符而不是一半代理对。

1
2
>> '💩'.at(0) // U+1F4A9
'💩' // U+1F4A9

如果要兼容老环境,请使用 polyfill

从字符串获取码点

同样,如果你用 String.prototype.charCodeAt 来获取第一个字符的码点,你会得到半个代理对而不是整个字符。

1
2
>> '💩'.charCodeAt(0)
0xD83D

感谢 ES6 又提供了 String.prototype.codePointAt,可以正确的拿到预期的完整字符而不是半个代理对。

1
2
>> '💩'.codePointAt(0)
0x1F4A9

兼容问题请用 polyfill

遍历字符串的所有符号字符

现在假设你要遍历一个字符串,而且要对每个字符单独处理。

在 ES5 里你要写大量的模版代码(boilerplate code)来计算代理对:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
function getSymbols(string) {
var index = 0;
var length = string.length;
var output = [];
for (; index < length; ++index) {
var charCode = string.charCodeAt(index);
if (charCode >= 0xD800 && charCode <= 0xDBFF) {
charCode = string.charCodeAt(index + 1);
if (charCode >= 0xDC00 && charCode <= 0xDFFF) {
output.push(string.slice(index, index + 2));
++index;
continue;
}
}
output.push(string.charAt(index));
}
return output;
}

var symbols = getSymbols('💩');
symbols.forEach(function(symbol) {
assert(symbol == '💩');
});

或者,你可以利用像 var regexCodePoint = /[^\uD800-\uDFFF]|[\uD800-\uDBFF][\uDC00-\uDFFF]|[\uD800-\uDFFF]/g; 一样的正则来遍历匹配到的字符。

现在,在 ES6 你能直接用 for...of。字符串迭代器会处理完整字符而不是代理对。

1
2
3
for (const symbol of '💩') {
assert(symbol == '💩');
}

for...of 不能用 polyfill 了,因为这是语法级别的构造。

别的问题

这样的行为影响几乎所有的字符串方法,包括以上没有提及的(诸如 String.prototype.substringString.prototype.slice 等等),所以要谨慎使用这些方法。

正则里的 Unicode 问题

匹配码点和 Unicode scalar 值

点操作符(.)在正则里只匹配“字符”……但是 JS 暴露了代理对表示单独的“字符”,这就导致点操作符处理不了辅助符号。

1
2
>> /foo.bar/.test('foo💩bar')
false

让我们想一会儿……什么正则能匹配 Unicode 字符?有什么想法?就像前面说的,. 符号不行,因为它不能匹配换行和完整的辅助符号。

1
2
>> /^.$/.test('💩')
false

为了正确匹配换行符号,我们可以用 [\s\S],但这还不能匹配辅助符号。

1
2
>> /^[\s\S]$/.test('💩')
false

事实证明,正则匹配 Unicode 字符不容易:

1
2
>> /[\0-\uD7FF\uE000-\uFFFF]|[\uD800-\uDBFF][\uDC00-\uDFFF]|[\uD800-\uDBFF](?![\uDC00-\uDFFF])|(?:[^\uD800-\uDBFF]|^)[\uDC00-\uDFFF]/.test('💩') // wtf
true

当然,你肯定不想手写匹配这些字符的正则,更别谈调试了。为了生成前面的正则,我用了 Regenerate 这个工具,这是一个根据码点和符号来创建正则的库。

1
2
>> regenerate().addRange(0x0, 0x10FFFF).toString()
'[\0-\uD7FF\uE000-\uFFFF]|[\uD800-\uDBFF][\uDC00-\uDFFF]|[\uD800-\uDBFF](?![\uDC00-\uDFFF])|(?:[^\uD800-\uDBFF]|^)[\uDC00-\uDFFF]'

从左往右表示,匹配 BMP 字符,匹配代理对,匹配只剩下一半的代理对(后文统一称为孤独代理对)。

虽然孤独代理对在 JS 中技术上是允许出现的,但它们不映射任何字符,应该避免。Unicode scalar 值指的是除代理对用到的码点之外的码点。下面是个用于匹配 Unicode scalar 值的正则:

1
2
3
4
5
6
>> regenerate()
.addRange(0x0, 0x10FFFF) // all Unicode code points
.removeRange(0xD800, 0xDBFF) // minus high surrogates
.removeRange(0xDC00, 0xDFFF) // minus low surrogates
.toRegExp()
/[\0-\uD7FF\uE000-\uFFFF]|[\uD800-\uDBFF][\uDC00-\uDFFF]/

Regenerate意味着可以被用在作为构建脚本的一部分,用来创建复杂的正则,同时可以保持构建脚本的易读性和易维护性。

ES6 将有望引入 u 修饰符,这时 . 操作符可以匹配完整的码点,而不是代理对的一半。

1
2
3
4
5
>> /foo.bar/.test('foo💩bar')
false

>> /foo.bar/u.test('foo💩bar')
true

注意 . 操作符仍然不能匹配换行符。当设置 u 修饰符时,. 操作符相当于下面的兼容操作:

1
2
3
4
5
6
7
8
9
10
11
12
13
>> regenerate()
.addRange(0x0, 0x10FFFF) // all Unicode code points
.remove( // minus `LineTerminator`s (https://ecma-international.org/ecma-262/5.1/#sec-7.3):
0x000A, // Line Feed <LF>
0x000D, // Carriage Return <CR>
0x2028, // Line Separator <LS>
0x2029 // Paragraph Separator <PS>
)
.toString();
'[\0-\t\x0B\f\x0E-\u2027\u202A-\uD7FF\uE000-\uFFFF]|[\uD800-\uDBFF][\uDC00-\uDFFF]|[\uD800-\uDBFF](?![\uDC00-\uDFFF])|(?:[^\uD800-\uDBFF]|^)[\uDC00-\uDFFF]'

>> /foo(?:[\0-\t\x0B\f\x0E-\u2027\u202A-\uD7FF\uE000-\uFFFF]|[\uD800-\uDBFF][\uDC00-\uDFFF]|[\uD800-\uDBFF](?![\uDC00-\uDFFF])|(?:[^\uD800-\uDBFF]|^)[\uDC00-\uDFFF])bar/u.test('foo💩bar')
true

字符集合中的辅助符号

/[a-c]/匹配在 U+0061 字母 aU+0063 字母 c 的范围,它让我们想到 /[💩-💫]/ 也会匹配从 U+1F4A9U+1F4AB 范围的字符,事实并非如此:

1
2
>> /[💩-💫]/
SyntaxError: Invalid regular expression: Range out of order in character class

这是因为上面的正则相当于下面这样:

1
2
>> /[\uD83D\uDCA9-\uD83D\uDCAB]/
SyntaxError: Invalid regular expression: Range out of order in character class

我们想它会匹配 U+1F4A9、U+1F4AA 和 U+1F4AB,但实际上匹配了:

  • U+D83D(高位代理),或……
  • 从 U+DCA9 到 U+D83D 间的范围(这是无效的,因为左边的码点 U+DCA9 小于右边的码点 U+D83D),或……
  • U+DCAB(低位代理)。

再次,又又因为 ES6 提供了 u 修饰符让你能更合理地操作。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
>> /[\uD83D\uDCA9-\uD83D\uDCAB]/u.test('\uD83D\uDCA9') // match U+1F4A9
true

>> /[\u{1F4A9}-\u{1F4AB}]/u.test('\u{1F4A9}') // match U+1F4A9
true

>> /[💩-💫]/u.test('💩') // match U+1F4A9
true

>> /[\uD83D\uDCA9-\uD83D\uDCAB]/u.test('\uD83D\uDCAA') // match U+1F4AA
true

>> /[\u{1F4A9}-\u{1F4AB}]/u.test('\u{1F4AA}') // match U+1F4AA
true

>> /[💩-💫]/u.test('💪') // match U+1F4AA
true

>> /[\uD83D\uDCA9-\uD83D\uDCAB]/u.test('\uD83D\uDCAB') // match U+1F4AB
true

>> /[\u{1F4A9}-\u{1F4AB}]/u.test('\u{1F4AB}') // match U+1F4AB
true

>> /[💩-💫]/u.test('💫') // match U+1F4AB
true

很难过,u 修饰符不兼容老环境。如果需要,可以用 Regenerate 来生成兼容的表达式,来匹配辅助平面范围的符号:

1
2
3
4
5
6
7
8
9
10
11
>> regenerate().addRange('💩', '💫')
'\uD83D[\uDCA9-\uDCAB]'

>> /^\uD83D[\uDCA9-\uDCAB]$/.test('💩') // match U+1F4A9
true

>> /^\uD83D[\uDCA9-\uDCAB]$/.test('💪') // match U+1F4AA
true

>> /^\uD83D[\uDCA9-\uDCAB]$/.test('💫') // match U+1F4AB
true

更新:另一个办法是通过包含 regexpu 的编译工具编译你的代码。我写了另一片博客,详细介绍了 ES6 支持 Unicode 的正则

生活中的 bug,以及如何避免

这样的行为会导致很多问题。推特允许一条推文有 140 个字符,而且它们的服务端不介意符号的类型——辅助符号或其它符号类型。但它们的前端只是读取 length 属性,所以不能够输入超过 70 个字符。(bug 已修复。)

很多库不能正确处理辅助符号。

例如 Countable.js 就不能正确处理辅助符号

Underscore.stringreverse 的实现不能处理组合标志和辅助符号。(使用 Missy Elliot 算法代替。)

解码 HTML numeric entities 到辅助符号也会发生错误,例如 &#x1F4A9;。许多 HTML entity 转换器同样的问题

这些都是很容易碰到的问题——毕竟 JavaScript 处理 Unicode 的方式很头疼。本文已经展示了如何解决这些问题;那么如何预防呢?

介绍……The Pile of Poo Test™

当你在编写处理字符串或正则的 JavaScript 代码时,只需要在单元测试里字符串上加个“💩”,看看有没有问题。这个方法快速、开心、简单地检查你的代码支不支持辅助平面的字符。一旦有什么问题,用上文提到的技术解决就行了。

一般测试一个字符串的 Unicode 支持度的好例子如下:Iñtërnâtiônàlizætiøn☃💩。头 20 个字符在 U+0000 到 U+00FF 的范围,后面一个字符在 U+0100 到 U+FFFF 的范围,最后一个字符是辅助符号字符(范围在 U+010000 到 U+10FFFF)。

TL;DR Go forth and submit pull requests with piles of poo in them. It’s the only way to Unicode the Web Forward®.

Slides

……

Translations

Comments

……

页阅读量:  ・  站访问量:  ・  站访客数: