Anakinliu's Log
主页 归档 标签 关于

May the Force be with you!

ES6字符串和正则

# 读书笔记 # JavaScript · 1003字 · 4分钟阅读

字符串，常见于各种高级编程语言。正则，许多高级语言原生支持。两个都很重要，因此ES6进一步完善相关功能。

更好的Unicode支持

ES6之前，JS字符串基于16位字符编码（UTF-16），每16位是一个编码单元（code unit），用来代表一个字符。
length，charAt方法都是基于这种编码方式。

UTF-16码位

  • Unicode目的是给每一个字符提供唯一的数字标识，也称为码位（code point），从0开始。但是，时代变了，现在字符需求数超过了16位，导致原来的16个码位不足以表示。表示字符的数字标识（码位），称为字符编码（character encode）。意思就是，ES6之前，一个码位就是一个字符编码，就是一个编码单元。
  • 现在，ES6中，UTF-16的代理对（surrogate pair），规定，用两个16位编码单元表示一个码位。这样就可以表示那些之前无法表示的字符了。

简而言之，ES6现在字符有两种表示方式：

  • 16位的字符，即只有一个编码单元
  • 32位的字符，代理对，包含两个编码单元

ES5所有的字符串操作基于16位的字符（即使此字符使用32位表示的）。
ES5代码，IE11控制台的运行结果：

var e = '😅';
=> undefined
e.length
=> 2
/^.$/.test(e)
=> false
e.charAt(0)
=> "���"
e.charAt(1)
=> "���"
e.char
=> undefined
e.charCodeAt(0)
=> 55357
e.charCodeAt(1)
=> 56837

长度属性是2，而且第一个和第二个编码单元不是一个BMP，显示乱码。

codePointAt方法

ES6新增方法。完全支持UTF-16。
方法的参数为编码单元的位置，返回此位置的码位，即一个非负整数。

var e = '😅a';
=> undefined
e.length
=> 3
e.codePointAt(0)
=> 128517
e.codePointAt(1)
=> 56837
e.codePointAt(2)
=> 97

e.charCodeAt(0)
=> 55357
e.charCodeAt(1)
=> 56837
e.charCodeAt(2)
=> 97

可以看到，对于16位字符，其charCodeAt与codePointAt方法返回值相同。
对于扩展32位的字符，由于其包含两个编码单元，所以其length值2
但是，e.codePointAt(0)返回的是一个完整的UTF-16编码，而前半个16位编码，是大于0xFFFF的。因此，可以借此判断字符占用的编码单元数量。

//判断一个字符是否是32位的编码单元表示的
function is32Bit(c) {
    return c.codePointAt(0) > 0xFFFF;
}

String.fromCodePoint方法

此静态方法可以看作完整版的String.fromCharCode方法，对于16位编码单元的字符，两者返回的结果一样。

String.fromCodePoint(128517)  // 😅

normalize方法

Unicode会存在一种情况，代表相同的文本的两个字符串包含不同的码位序列。
因此，比较字符串时，需要将这种等效标准化。
所以在排序和比较字符串时，需要先运行normalize。
这在设计国际化应用时很必要。

values.sort(function(first, second){
    let firstNormalized = first.normalize(), secondNormalized = second.normalized();
    if (firstNormalized < secondNormalized) {
        return -1;
    } else if (firstNormalized > secondNormalized) {
        return 1;
    } else {
        return  0;
    }
});

正则的u修饰符

以下方法忽略ES6的正则修饰符u和y

String.prototype.search(regExp)
String.prototype.split(regExp)

正则默认将字符串的字符按照16位的编码单元处理。ES6增加了u修饰符用来支持Unicode编码方式。
检测字符长度（适合较短字符串）：

function codePointLength(text) {
    let result = text.match(/[\s\S]/gu);
    return result ? result.length : 0;
}

其他字符串变更

四个原型方法。用于子串识别和重复文本。

includes方法，检测出指定文本，返回布尔值，索引可自定义，默认0。
startsWith方法，字符串起始部分是否匹配指定文本，返回布尔值，起始部分索引可自定义，默认0。
endsWith方法，字符串结束部分是否匹配指定文本，返回布尔值，索引可自定义，默认str.length。
此三个方法不接受正则。
repeat方法，重复指定次数的字符串。

Edited by Anakinliu | Powered by Gridea