Unicode与JavaScript详解

　　作者： 阮一峰

　　上个月，我做了一次分享，详细介绍了 Unicode 字符集，以及 JavaScript 语言对它的支持。下面就是这次分享的讲稿。

　　一、Unicode 是什么？

　　Unicode 源于一个很简单的想法：将全世界所有的字符包含在一个集合里，计算机只要支持这一个字符集，就能显示所有的字符，再也不会有乱码了。

　　它从 0 开始，为每个符号指定一个编号，这叫做"码点"（code point）。比如，码点 0 的符号就是 null（表示所有二进制位都是0）。

U+0000 = null

　　上式中，U+ 表示紧跟在后面的十六进制数是 Unicode 的码点。

　　目前，Unicode 的最新版本是 7.0 版，一共收入了 109449 个符号，其中的中日韩文字为 74500 个。可以近似认为，全世界现有的符号当中，三分之二以上来自东亚文字。比如，中文"好"的码点是十六进制的 597D。

U+597D = 好

　　这么多符号，Unicode 不是一次性定义的，而是分区定义。每个区可以存放 65536 个（2¹⁶）字符，称为一个平面（plane）。目前，一共有 17 个（2⁵）平面，也就是说，整个 Unicode 字符集的大小现在是2²¹。

　　最前面的 65536 个字符位，称为基本平面（缩写 BMP），它的码点范围是从 0 一直到2¹⁶-1，写成 16 进制就是从U+0000 到U+FFFF。所有最常见的字符都放在这个平面，这是 Unicode 最先定义和公布的一个平面。

　　剩下的字符都放在辅助平面（缩写 SMP），码点范围从U+010000 一直到U+10FFFF。

　　二、UTF-32 与 UTF-8

　　Unicode 只规定了每个字符的码点，到底用什么样的字节序表示这个码点，就涉及到编码方法。

　　最直观的编码方法是，每个码点使用四个字节表示，字节内容一一对应码点。这种编码方法就叫做 UTF-32。比如，码点 0 就用四个字节的 0 表示，码点 597D 就在前面加两个字节的0。

U+0000 = 0x0000 0000 U+597D = 0x0000 597D

　　UTF-32 的优点在于，转换规则简单直观，查找效率高。缺点在于浪费空间，同样内容的英语文本，它会比 ASCII 编码大四倍。这个缺点很致命，导致实际上没有人使用这种编码方法，HTML 5 标准就明文规定，网页不得编码成 UTF-32。

　　人们真正需要的是一种节省空间的编码方法，这导致了 UTF-8 的诞生。UTF-8 是一种变长的编码方法，字符长度从 1 个字节到 4 个字节不等。越是常用的字符，字节越短，最前面的 128 个字符，只使用 1 个字节表示，与 ASCII 码完全相同。

　　由于 UTF-8 这种节省空间的特性，导致它成为互联网上最常见的网页编码。不过，它跟今天的主题关系不大，我就不深入了，具体的转码方法，可以参考我多年前写的《字符编码笔记》。

　　三、UTF-16 简介

　　UTF-16 编码介于 UTF-32 与 UTF-8 之间，同时结合了定长和变长两种编码方法的特点。

　　它的编码规则很简单：基本平面的字符占用 2 个字节，辅助平面的字符占用 4 个字节。也就是说，UTF-16 的编码长度要么是 2 个字节（U+0000 到U+FFFF），要么是 4 个字节（U+010000 到U+10FFFF）。

　　于是就有一个问题，当我们遇到两个字节，怎么看出它本身是一个字符，还是需要跟其他两个字节放在一起解读？

　　说来很巧妙，我也不知道是不是故意的设计，在基本平面内，从U+D800 到U+DFFF 是一个空段，即这些码点不对应任何字符。因此，这个空段可以用来映射辅助平面的字符。

　　具体来说，辅助平面的字符位共有2²⁰个，也就是说，对应这些字符至少需要 20 个二进制位。UTF-16 将这 20 位拆成两半，前 10 位映射在U+D800 到U+DBFF（空间大小2¹⁰），称为高位（H），后 10 位映射在U+DC00 到U+DFFF（空间大小2¹⁰），称为低位（L）。这意味着，一个辅助平面的字符，被拆成两个基本平面的字符表示。

　　所以，当我们遇到两个字节，发现它的码点在U+D800 到U+DBFF 之间，就可以断定，紧跟在后面的两个字节的码点，应该在U+DC00 到U+DFFF 之间，这四个字节必须放在一起解读。

　　四、UTF-16 的转码公式

　　Unicode 码点转成 UTF-16 的时候，首先区分这是基本平面字符，还是辅助平面字符。如果是前者，直接将码点转为对应的十六进制形式，长度为两字节。

U+597D = 0x597D　　

　　如果是辅助平面字符，Unicode 3.0 版给出了转码公式。

H = Math.floor ((c-0x10000) / 0x400)+0xD800 L = (c - 0x10000) % 0x400 + 0xDC00　　

　　以字符为例，它是一个辅助平面字符，码点为U+1D306，将其转为 UTF-16 的计算过程如下。

H = Math.floor ((0x1D306-0x10000)/0x400)+0xD800 = 0xD834 L = (0x1D306-0x10000) % 0x400+0xDC00 = 0xDF06

　　所以，字符的 UTF-16 编码就是 0xD834 DF06，长度为四个字节。

　　五、JavaScript 使用哪一种编码？

　　JavaScript 语言采用 Unicode 字符集，但是只支持一种编码方法。

　　这种编码既不是 UTF-16，也不是 UTF-8，更不是 UTF-32。上面那些编码方法，JavaScript 都不用。

　　JavaScript 用的是 UCS-2！

　　六、UCS-2 编码

　　怎么突然杀出一个 UCS-2？这就需要讲一点历史。

　　互联网还没出现的年代，曾经有两个团队，不约而同想搞统一字符集。一个是 1989 年成立的 Unicode 团队，另一个是更早的、1988 年成立的 UCS 团队。等到他们发现了对方的存在，很快就达成一致：世界上不需要两套统一字符集。

　　1991 年 10 月，两个团队决定合并字符集。也就是说，从今以后只发布一套字符集，就是 Unicode，并且修订此前发布的字符集，UCS 的码点将与 Unicode 完全一致。

　　当时的实际情况是，UCS 的开发进度快于 Unicode，早在 1990 年，就公布了第一套编码方法 UCS-2，使用 2 个字节表示已经有码点的字符。（那个时候只有一个平面，就是基本平面，所以 2 个字节就够用了。）UTF-16 编码迟至 1996 年 7 月才公布，明确宣布是 UCS-2 的超集，即基本平面字符沿用 UCS-2 编码，辅助平面字符定义了 4 个字节的表示方法。

　　两者的关系简单说，就是 UTF-16 取代了 UCS-2，或者说 UCS-2 整合进了 UTF-16。所以，现在只有 UTF-16，没有 UCS-2。

　　七、JavaScript 的诞生背景

　　那么，为什么 JavaScript 不选择更高级的 UTF-16，而用了已经被淘汰的 UCS-2 呢？

　　答案很简单：非不想也，是不能也。因为在 JavaScript 语言出现的时候，还没有 UTF-16 编码。

　　1995 年 5 月，Brendan Eich 用了 10 天设计了 JavaScript 语言；10 月，第一个解释引擎问世；次年 11 月，Netscape 正式向 ECMA 提交语言标准（整个过程详见《JavaScript 诞生记》）。对比 UTF-16 的发布时间（1996 年 7 月），就会明白 Netscape 公司那时没有其他选择，只有 UCS-2 一种编码方法可用！

　　八、JavaScript 字符函数的局限

　　由于 JavaScript 只能处理 UCS-2 编码，造成所有字符在这门语言中都是 2 个字节，如果是 4 个字节的字符，会当作两个双字节的字符处理。JavaScript 的字符函数都受到这一点的影响，无法返回正确结果。

　　还是以字符为 例，它的 UTF-16 编码是 4 个字节的 0xD834 DF06。问题就来了，4 个字节的编码不属于 UCS-2，JavaScript 不认识，只会把它看作单独的两个字符U+D834 和U+DF06。前面说过，这两个码点是空的，所以 JavaScript 会认为是两个空字符组成的字符串！

　　上面代码表示，JavaScript 认为字符的长度是2，取到的第一个字符是空字符，取到的第一个字符的码点是 0xDB34。这些结果都不正确！

　　解决这个问题，必须对码点做一个判断，然后手动调整。下面是正确的遍历字符串的写法。

while (++index < length) {    // ... if (charCode >= 0xD800 && charCode <= 0xDBFF) {      output.push (character + string.charAt (++index));    } else {      output.push (character);    }  }

　　上面代码表示，遍历字符串的时候，必须对码点做一个判断，只要落在 0xD800 到 0xDBFF 的区间，就要连同后面 2 个字节一起读取。

　　类似的问题存在于所有的 JavaScript 字符操作函数。

String.prototype.replace ()  String.prototype.substring ()  String.prototype.slice ()  ...　　　　

　　上面的函数都只对 2 字节的码点有效。要正确处理 4 字节的码点，就必须逐一部署自己的版本，判断一下当前字符的码点范围。

　　九、ECMAScript 6

　　JavaScript 的下一个版本 ECMAScript 6（简称 ES6），大幅增强了 Unicode 支持，基本上解决了这个问题。

　　（1）正确识别字符

　　ES6 可以自动识别 4 字节的码点。因此，遍历字符串就简单多了。

for (let s of string ) {    // ... }

　　但是，为了保持兼容，length 属性还是原来的行为方式。为了得到字符串的正确长度，可以用下面的方式。

Array.from(string) .length　　

　　（2）码点表示法

　　JavaScript 允许直接用码点表示 Unicode 字符，写法是"斜杠 +u+ 码点"。

'好' === '\u597D' // true

　　但是，这种表示法对 4 字节的码点无效。ES6 修正了这个问题，只要将码点放在大括号内，就能正确识别。

　　（3）字符串处理函数

　　ES6 新增了几个专门处理 4 字节码点的函数。

String.fromCodePoint ()：从 Unicode 码点返回对应字符  String.prototype.codePointAt ()：从字符返回对应的码点  String.prototype.at ()：返回字符串给定位置的字符　　　

　　（4）正则表达式

　　ES6 提供了u修饰符，对正则表达式添加 4 字节码点的支持。

　　（5）Unicode 正规化

　　有些字符除了字母以外，还有附加符号。比如，汉语拼音的Ǒ，字母上面的声调就是附加符号。对于许多欧洲语言来说，声调符号是非常重要的。

　　Unicode 提供了两种表示方法。一种是带附加符号的单个字符，即一个码点表示一个字符，比如Ǒ的码点是U+01D1；另一种是将附加符号单独作为一个码点，与主体字 符复合显示，即两个码点表示一个字符，比如Ǒ可以写成O（U+004F） + ˇ（U+030C）。

// 方法一 '\u01D1' // 'Ǒ'// 方法二 '\u004F\u030C' // 'Ǒ'

　　这两种表示方法，视觉和语义都完全一样，理应作为等同情况处理。但是，JavaScript 无法辨别。

'\u01D1'==='\u004F\u030C' //false　　

　　ES6 提供了 normalize 方法，允许"Unicode 正规化"，即将两种方法转为同样的序列。

'\u01D1'.normalize () === '\u004F\u030C'.normalize ()    // true

　　关于 ES6 的更多介绍，请看《ECMAScript 6 入门》。

　　==========================

　　我的讲稿就是上面这些内容，当天的 PPT 请看这里。