Unicode與JavaScript詳解

上個月，我做了一次分享，詳細介紹了Unicode字符集，以及JavaScript語言對它的支持。下面就是這次分享的講稿。

一、Unicode是什么？

Unicode源于一個很簡單的想法：將全世界所有的字符包含在一個集合里，計算機只要支持這一個字符集，就能顯示所有的字符，再也不會有亂碼了。

它從0開始，為每個符號指定一個編號，這叫做"碼點"（code point）。比如，碼點0的符號就是null（表示所有二進制位都是0）。

U+0000 = null

上式中，U+表示緊跟在后面的十六進制數是Unicode的碼點。

目前，Unicode的最新版本是7.0版，一共收入了109449個符號，其中的中日韓文字為74500個。可以近似認為，全世界現有的符號當中，三分之二以上來自東亞文字。比如，中文"好"的碼點是十六進制的597D。

U+597D = 好

這么多符號，Unicode不是一次性定義的，而是分區定義。每個區可以存放65536個（2¹⁶）字符，稱為一個平面（plane）。目前，一共有17個（2⁵）平面，也就是說，整個Unicode字符集的大小現在是2²¹。

最前面的65536個字符位，稱為基本平面（縮寫BMP），它的碼點范圍是從0一直到2¹⁶-1，寫成16進制就是從U+0000到U+FFFF。所有最常見的字符都放在這個平面，這是Unicode最先定義和公布的一個平面。

剩下的字符都放在輔助平面（縮寫SMP），碼點范圍從U+010000一直到U+10FFFF。

二、UTF-32與UTF-8

Unicode只規定了每個字符的碼點，到底用什么樣的字節序表示這個碼點，就涉及到編碼方法。

最直觀的編碼方法是，每個碼點使用四個字節表示，字節內容一一對應碼點。這種編碼方法就叫做UTF-32。比如，碼點0就用四個字節的0表示，碼點597D就在前面加兩個字節的0。

U+0000 = 0x0000 0000

U+597D = 0x0000 597D

UTF-32的優點在于，轉換規則簡單直觀，查找效率高。缺點在于浪費空間，同樣內容的英語文本，它會比ASCII編碼大四倍。這個缺點很致命，導致實際上沒有人使用這種編碼方法，HTML 5標準就明文規定，網頁不得編碼成UTF-32。

人們真正需要的是一種節省空間的編碼方法，這導致了UTF-8的誕生。UTF-8是一種變長的編碼方法，字符長度從1個字節到4個字節不等。越是常用的字符，字節越短，最前面的128個字符，只使用1個字節表示，與ASCII碼完全相同。

編號范圍	字節
0x0000 - 0x007F	1
0x0080 - 0x07FF	2
0x0800 - 0xFFFF	3
0x010000 - 0x10FFFF	4

由于UTF-8這種節省空間的特性，導致它成為互聯網上最常見的網頁編碼。不過，它跟今天的主題關系不大，我就不深入了，具體的轉碼方法，可以參考我多年前寫的《字符編碼筆記》。

三、UTF-16簡介

UTF-16編碼介于UTF-32與UTF-8之間，同時結合了定長和變長兩種編碼方法的特點。

它的編碼規則很簡單：基本平面的字符占用2個字節，輔助平面的字符占用4個字節。也就是說，UTF-16的編碼長度要么是2個字節（U+0000到U+FFFF），要么是4個字節（U+010000到U+10FFFF）。

于是就有一個問題，當我們遇到兩個字節，怎么看出它本身是一個字符，還是需要跟其他兩個字節放在一起解讀？

說來很巧妙，我也不知道是不是故意的設計，在基本平面內，從U+D800到U+DFFF是一個空段，即這些碼點不對應任何字符。因此，這個空段可以用來映射輔助平面的字符。

具體來說，輔助平面的字符位共有2²⁰個，也就是說，對應這些字符至少需要20個二進制位。UTF-16將這20位拆成兩半，前10位映射在U+D800到U+DBFF（空間大小2¹⁰），稱為高位（H），后10位映射在U+DC00到U+DFFF（空間大小2¹⁰），稱為低位（L）。這意味著，一個輔助平面的字符，被拆成兩個基本平面的字符表示。

所以，當我們遇到兩個字節，發現它的碼點在U+D800到U+DBFF之間，就可以斷定，緊跟在后面的兩個字節的碼點，應該在U+DC00到U+DFFF之間，這四個字節必須放在一起解讀。

四、UTF-16的轉碼公式

Unicode碼點轉成UTF-16的時候，首先區分這是基本平面字符，還是輔助平面字符。如果是前者，直接將碼點轉為對應的十六進制形式，長度為兩字節。

U+597D = 0x597D

如果是輔助平面字符，Unicode 3.0版給出了轉碼公式。

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

L = (c - 0x10000) % 0x400 + 0xDC00

以字符為例，它是一個輔助平面字符，碼點為U+1D306，將其轉為UTF-16的計算過程如下。

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

L = (0x1D306-0x10000) % 0x400+0xDC00 = 0xDF06

所以，字符的UTF-16編碼就是0xD834 DF06，長度為四個字節。

五、JavaScript使用哪一種編碼？

JavaScript語言采用Unicode字符集，但是只支持一種編碼方法。

這種編碼既不是UTF-16，也不是UTF-8，更不是UTF-32。上面那些編碼方法，JavaScript都不用。

JavaScript用的是UCS-2！

六、UCS-2編碼

怎么突然殺出一個UCS-2？這就需要講一點歷史。

互聯網還沒出現的年代，曾經有兩個團隊，不約而同想搞統一字符集。一個是1988年成立的Unicode團隊，另一個是1989年成立的UCS團隊。等到他們發現了對方的存在，很快就達成一致：世界上不需要兩套統一字符集。

1991年10月，兩個團隊決定合并字符集。也就是說，從今以后只發布一套字符集，就是Unicode，并且修訂此前發布的字符集，UCS的碼點將與Unicode完全一致。

UCS的開發進度快于Unicode，1990年就公布了第一套編碼方法UCS-2，使用2個字節表示已經有碼點的字符。（那個時候只有一個平面，就是基本平面，所以2個字節就夠用了。）UTF-16編碼遲至1996年7月才公布，明確宣布是UCS-2的超集，即基本平面字符沿用UCS-2編碼，輔助平面字符定義了4個字節的表示方法。

兩者的關系簡單說，就是UTF-16取代了UCS-2，或者說UCS-2整合進了UTF-16。所以，現在只有UTF-16，沒有UCS-2。

七、JavaScript的誕生背景

那么，為什么JavaScript不選擇更高級的UTF-16，而用了已經被淘汰的UCS-2呢？

答案很簡單：非不想也，是不能也。因為在JavaScript語言出現的時候，還沒有UTF-16編碼。

1995年5月，Brendan Eich用了10天設計了JavaScript語言；10月，第一個解釋引擎問世；次年11月，Netscape正式向ECMA提交語言標準（整個過程詳見《JavaScript誕生記》）。對比UTF-16的發布時間（1996年7月），就會明白Netscape公司那時沒有其他選擇，只有UCS-2一種編碼方法可用！

八、JavaScript字符函數的局限

由于JavaScript只能處理UCS-2編碼，造成所有字符在這門語言中都是2個字節，如果是4個字節的字符，會當作兩個雙字節的字符處理。JavaScript的字符函數都受到這一點的影響，無法返回正確結果。

還是以字符為例，它的UTF-16編碼是4個字節的0xD834 DF06。問題就來了，4個字節的編碼不屬于UCS-2，JavaScript不認識，只會把它看作單獨的兩個字符U+D834和U+DF06。前面說過，這兩個碼點是空的，所以JavaScript會認為是兩個空字符組成的字符串！

上面代碼表示，JavaScript認為字符的長度是2，取到的第一個字符是空字符，取到的第一個字符的碼點是0xDB34。這些結果都不正確！

解決這個問題，必須對碼點做一個判斷，然后手動調整。下面是正確的遍歷字符串的寫法。

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

上面代碼表示，遍歷字符串的時候，必須對碼點做一個判斷，只要落在0xD800到0xDBFF的區間，就要連同后面2個字節一起讀取。

類似的問題存在于所有的JavaScript字符操作函數。

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

上面的函數都只對2字節的碼點有效。要正確處理4字節的碼點，就必須逐一部署自己的版本，判斷一下當前字符的碼點范圍。

九、ECMAScript 6

JavaScript的下一個版本ECMAScript 6（簡稱ES6），大幅增強了Unicode支持，基本上解決了這個問題。

（1）正確識別字符

ES6可以自動識別4字節的碼點。因此，遍歷字符串就簡單多了。

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

但是，為了保持兼容，length屬性還是原來的行為方式。為了得到字符串的正確長度，可以用下面的方式。

Array.from(string).length

（2）碼點表示法

JavaScript允許直接用碼點表示Unicode字符，寫法是"反斜杠+u+碼點"。

'好' === '\u597D' // true

但是，這種表示法對4字節的碼點無效。ES6修正了這個問題，只要將碼點放在大括號內，就能正確識別。

（3）字符串處理函數

ES6新增了幾個專門處理4字節碼點的函數。

• String.fromCodePoint()：從Unicode碼點返回對應字符
• String.prototype.codePointAt()：從字符返回對應的碼點
• String.prototype.at()：返回字符串給定位置的字符

（4）正則表達式

ES6提供了u修飾符，對正則表達式添加4字節碼點的支持。

（5）Unicode正規化

有些字符除了字母以外，還有附加符號。比如，漢語拼音的ǒ，字母上面的聲調就是附加符號。對于許多歐洲語言來說，聲調符號是非常重要的。

Unicode提供了兩種表示方法。一種是帶附加符號的單個字符，即一個碼點表示一個字符，比如ǒ的碼點是U+01D1；另一種是將附加符號單獨作為一個碼點，與主體字符復合顯示，即兩個碼點表示一個字符，比如ǒ可以寫成O（U+004F） + ˇ（U+030C）。

// 方法一
'\u01D1'
// 'ǒ'

// 方法二
'\u004F\u030C'
// 'ǒ'

這兩種表示方法，視覺和語義都完全一樣，理應作為等同情況處理。但是，JavaScript無法辨別。

 '\u01D1'==='\u004F\u030C' 
 //false

ES6提供了normalize方法，允許"Unicode正規化"，即將兩種方法轉為同樣的序列。

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

關于ES6的更多介紹，請看《ECMAScript 6入門》。

==========================

我的講稿就是上面這些內容，當天的PPT請看這里。

（完）