javascript和字符串操作w / utf-16代理对

时间:2011-07-30 20:45:03

标签: javascript string unicode twitter utf-16

正在使用Twitter应用程序,只是偶然发现了utf-8(16)的世界。似乎大多数javascript字符串函数对代理对都是盲目的。我必须重新编码一些东西才能让它具有广泛的字符意识。

我有这个函数将字符串解析成数组,同时保留代理对。然后我将重新编码几个函数来处理数组而不是字符串。

function sortSurrogates(str){
  var cp = [];                 // array to hold code points
  while(str.length){           // loop till we've done the whole string
    if(/[\uD800-\uDFFF]/.test(str.substr(0,1))){ // test the first character
                               // High surrogate found low surrogate follows
      cp.push(str.substr(0,2)); // push the two onto array
      str = str.substr(2);     // clip the two off the string
    }else{                     // else BMP code point
      cp.push(str.substr(0,1)); // push one onto array
      str = str.substr(1);     // clip one from string 
    }
  }                            // loop
  return cp;                   // return the array
}

我的问题是,我有什么比较简单的东西吗?我看到很多人重申javascript本身处理utf-16,但我的测试让我相信,这可能是数据格式,但功能还不知道。我错过了一些简单的东西吗?

编辑: 为了帮助说明这个问题:

var a = "0123456789"; // U+0030 - U+0039 2 bytes each
var b = ""; // U+1D7D8 - U+1D7E1 4 bytes each
alert(a.length); // javascript shows 10
alert(b.length); // javascript shows 20

Twitter看到并计算这两个长度为10个字符。

5 个答案:

答案 0 :(得分:21)

Javascript在内部使用UCS-2,而不是UTF-16。因此,在Javascript中处理Unicode非常困难,我不建议尝试这样做。

至于Twitter的作用,你似乎在说代码单元并非疯狂地用代码点来计算。

除非你别无选择,否则你应该使用一种实际支持Unicode的编程语言,它具有代码点接口,而不是代码单元接口。正如你所发现的,Javascript还不够好。

它有 UCS-2诅咒,甚至比 UTF-16诅咒更糟糕,这已经够糟了。我在OSCON讲话中讨论了所有这些, Unicode Support Shootout: The Good, the Bad, & the (mostly) Ugly

由于它的可怕诅咒,你必须在Javascript中用UCS-2手工模拟UTF-16,这简直就是疯了。

Javascript也遭受各种其他可怕的Unicode问题。它不支持字形或标准化或校对,所有这些都是你真正需要的。它的正则表达式被打破了,有时候是因为诅咒,有时只是因为人们弄错了。例如,Javascript无法表达[-]等正则表达式。 Javascript甚至不支持casefolding,因此你不能编写像/ΣΤΙΓΜΑΣ/i这样的模式并且正确匹配στιγμας

您可以尝试使用the XRegEXp plugin,但不会以这种方式消除诅咒。只有改为使用Unicode支持的语言才能做到这一点,而且不是其中之一。

答案 1 :(得分:8)

我把Unicode字符串处理对象的起点拼凑在了一起。它创建了一个名为UnicodeString()的函数,它接受JavaScript字符串或表示Unicode代码点的整数数组,并提供lengthcodePoints属性以及toString()和{{1} } 方法。添加正则表达式支持会非常复杂,但slice()indexOf()(没有正则表达式支持)之类的东西应该很容易实现。

split()
var UnicodeString = (function() {
    function surrogatePairToCodePoint(charCode1, charCode2) {
        return ((charCode1 & 0x3FF) << 10) + (charCode2 & 0x3FF) + 0x10000;
    }

    function stringToCodePointArray(str) {
        var codePoints = [], i = 0, charCode;
        while (i < str.length) {
            charCode = str.charCodeAt(i);
            if ((charCode & 0xF800) == 0xD800) {
                codePoints.push(surrogatePairToCodePoint(charCode, str.charCodeAt(++i)));
            } else {
                codePoints.push(charCode);
            }
            ++i;
        }
        return codePoints;
    }

    function codePointArrayToString(codePoints) {
        var stringParts = [];
        for (var i = 0, len = codePoints.length, codePoint, offset, codePointCharCodes; i < len; ++i) {
            codePoint = codePoints[i];
            if (codePoint > 0xFFFF) {
                offset = codePoint - 0x10000;
                codePointCharCodes = [0xD800 + (offset >> 10), 0xDC00 + (offset & 0x3FF)];
            } else {
                codePointCharCodes = [codePoint];
            }
            stringParts.push(String.fromCharCode.apply(String, codePointCharCodes));
        }
        return stringParts.join("");
    }

    function UnicodeString(arg) {
        if (this instanceof UnicodeString) {
            this.codePoints = (typeof arg == "string") ? stringToCodePointArray(arg) : arg;
            this.length = this.codePoints.length;
        } else {
            return new UnicodeString(arg);
        }
    }

    UnicodeString.prototype = {
        slice: function(start, end) {
            return new UnicodeString(this.codePoints.slice(start, end));
        },

        toString: function() {
            return codePointArrayToString(this.codePoints);
        }
    };


    return UnicodeString;
})();

var ustr = UnicodeString("fbar");
document.getElementById("output").textContent = "String: '" + ustr + "', length: " + ustr.length + ", slice(2, 4): " + ustr.slice(2, 4);

答案 2 :(得分:5)

以下是一些在JavaScript中处理代理项对时可能有用的脚本:

答案 3 :(得分:4)

Javascript字符串迭代器可以为您提供实际字符而不是代理代码点:

>>> [..."0123456789"]
["0", "1", "2", "3", "4", "5", "6", "7", "8", "9"]
>>> [...""]
["", "", "", "", "", "", "", "", "", ""]
>>> [..."0123456789"].length
10
>>> [...""].length
10

答案 4 :(得分:3)

这个与我所寻找的一致。它需要更好地支持不同的字符串函数。当我添加它时,我将更新这个答案。

function wString(str){
  var T = this; //makes 'this' visible in functions
  T.cp = [];    //code point array
  T.length = 0; //length attribute
  T.wString = true; // (item.wString) tests for wString object

//member functions
  sortSurrogates = function(s){  //returns array of utf-16 code points
    var chrs = [];
    while(s.length){             // loop till we've done the whole string
      if(/[\uD800-\uDFFF]/.test(s.substr(0,1))){ // test the first character
                                 // High surrogate found low surrogate follows
        chrs.push(s.substr(0,2)); // push the two onto array
        s = s.substr(2);         // clip the two off the string
      }else{                     // else BMP code point
        chrs.push(s.substr(0,1)); // push one onto array
        s = s.substr(1);         // clip one from string 
      }
    }                            // loop
    return chrs;
  };
//end member functions

//prototype functions
  T.substr = function(start,len){
    if(len){
      return T.cp.slice(start,start+len).join('');
    }else{
      return T.cp.slice(start).join('');
    }
  };

  T.substring = function(start,end){
    return T.cp.slice(start,end).join('');
  };

  T.replace = function(target,str){
    //allow wStrings as parameters
    if(str.wString) str = str.cp.join('');
    if(target.wString) target = target.cp.join('');
    return T.toString().replace(target,str);
  };

  T.equals = function(s){
    if(!s.wString){
      s = sortSurrogates(s);
      T.cp = s;
    }else{
        T.cp = s.cp;
    }
    T.length = T.cp.length;
  };

  T.toString = function(){return T.cp.join('');};
//end prototype functions

  T.equals(str)
};

测试结果:

// plain string
var x = "0123456789";
alert(x);                    // 0123456789
alert(x.substr(4,5))         // 45678
alert(x.substring(2,4))      // 23
alert(x.replace("456","x")); // 0123x789
alert(x.length);             // 10

// wString object
x = new wString("");
alert(x);                    // 
alert(x.substr(4,5))         // 
alert(x.substring(2,4))      // 
alert(x.replace("","x")); // x
alert(x.length);             // 10