web-dev-qa-db-ja.com

BMPの外のJavaScript文字列

BMPは 基本的な多言語面

JavaScriptによると：良い部分：

JavaScriptはUnicodeが16ビットの文字セットであったときに構築されたため、JavaScriptのすべての文字は16ビット幅です。

これにより、JavaScriptはUCS-2（UTF-16ではありません！）を使用し、U + FFFFまでの文字しか処理できないと思います。

さらなる調査により、これが確認されます。

> String.fromCharCode(0x20001);

fromCharCodeメソッドは、Unicode文字を返すときに最下位16ビットのみを使用するようです。代わりに、U + 20001（CJK統合漢字20001）を取得しようとすると、U +0001が返されます。

質問：JavaScriptでポストBMP文字を処理することは可能ですか？

2011-07-31：Unicodeサポートシュートアウトから12をスライド：良い、悪い、そして（ほとんど）醜いこれに関連する問題を非常にうまくカバーしています：

javascriptunicodeutf-16surrogate-pairsastral-plane
39
Delan Azabani

「サポート」の意味によって異なります。確かに、サロゲートを使用してJS文字列にUCS-2以外の文字を入れることができ、可能であればブラウザはそれらを表示します。

ただし、JS文字列の各項目は個別のUTF-16コードユニットです。完全な文字を処理するための言語レベルのサポートはありません。すべての標準文字列メンバー（length、split、sliceなど）はすべて文字ではなくコード単位を処理するため、非常に喜んでサロゲートペアを分割するか、無効なサロゲートシーケンスを保持します。

サロゲート対応のメソッドが必要な場合は、自分で作成を開始する必要があります。例えば：

String.prototype.getCodePointLength= function() {
    return this.length-this.split(/[\uD800-\uDBFF][\uDC00-\uDFFF]/g).length+1;
};

String.fromCodePoint= function() {
    var chars= Array.prototype.slice.call(arguments);
    for (var i= chars.length; i-->0;) {
        var n = chars[i]-0x10000;
        if (n>=0)
            chars.splice(i, 1, 0xD800+(n>>10), 0xDC00+(n&0x3FF));
    }
    return String.fromCharCode.apply(null, chars);
};
34
bobince

私はbobinceと同じ結論に達しました。 BMPの外部でUnicode文字を含む文字列を操作する場合は、javascriptのStringメソッドを再実装する必要があります。これは、javascriptが各16ビットコード値として文字をカウントするためです。 BMP以外のシンボルは、2つのコード値を表す必要があります。したがって、一部のシンボルは2文字としてカウントされ、一部は1文字としてカウントされる場合があります。

各ユニコードコードポイントを単一の文字として扱うために、次のメソッドを再実装しました：.length、.charCodeAt、.fromCharCode、.charAt、.indexOf、.lastIndexOf、.splice、および.split。

Jsfiddleで確認できます： http://jsfiddle.net/Y89Du/

コメントのないコードは次のとおりです。テストしましたが、まだエラーがある可能性があります。コメントは大歓迎です。

if (!String.prototype.ucLength) {
    String.prototype.ucLength = function() {
        // this solution was taken from 
        // http://stackoverflow.com/questions/3744721/javascript-strings-outside-of-the-bmp
        return this.length - this.split(/[\uD800-\uDBFF][\uDC00-\uDFFF]/g).length + 1;
    };
}

if (!String.prototype.codePointAt) {
    String.prototype.codePointAt = function (ucPos) {
        if (isNaN(ucPos)){
            ucPos = 0;
        }
        var str = String(this);
        var codePoint = null;
        var pairFound = false;
        var ucIndex = -1;
        var i = 0;  
        while (i < str.length){
            ucIndex += 1;
            var code = str.charCodeAt(i);
            var next = str.charCodeAt(i + 1);
            pairFound = (0xD800 <= code && code <= 0xDBFF && 0xDC00 <= next && next <= 0xDFFF);
            if (ucIndex == ucPos){
                codePoint = pairFound ? ((code - 0xD800) * 0x400) + (next - 0xDC00) + 0x10000 : code;
                break;
            } else{
                i += pairFound ? 2 : 1;
            }
        }
        return codePoint;
    };
}

if (!String.fromCodePoint) {
    String.fromCodePoint = function () {
        var strChars = [], codePoint, offset, codeValues, i;
        for (i = 0; i < arguments.length; ++i) {
            codePoint = arguments[i];
            offset = codePoint - 0x10000;
            if (codePoint > 0xFFFF){
                codeValues = [0xD800 + (offset >> 10), 0xDC00 + (offset & 0x3FF)];
            } else{
                codeValues = [codePoint];
            }
            strChars.Push(String.fromCharCode.apply(null, codeValues));
        }
        return strChars.join("");
    };
}

if (!String.prototype.ucCharAt) {
    String.prototype.ucCharAt = function (ucIndex) {
        var str = String(this);
        var codePoint = str.codePointAt(ucIndex);
        var ucChar = String.fromCodePoint(codePoint);
        return ucChar;
    };
}

if (!String.prototype.ucIndexOf) {
    String.prototype.ucIndexOf = function (searchStr, ucStart) {
        if (isNaN(ucStart)){
            ucStart = 0;
        }
        if (ucStart < 0){
            ucStart = 0;
        }
        var str = String(this);
        var strUCLength = str.ucLength();
        searchStr = String(searchStr);
        var ucSearchLength = searchStr.ucLength();
        var i = ucStart;
        while (i < strUCLength){
            var ucSlice = str.ucSlice(i,i+ucSearchLength);
            if (ucSlice == searchStr){
                return i;
            }
            i++;
        }
        return -1;
    };
}

if (!String.prototype.ucLastIndexOf) {
    String.prototype.ucLastIndexOf = function (searchStr, ucStart) {
        var str = String(this);
        var strUCLength = str.ucLength();
        if (isNaN(ucStart)){
            ucStart = strUCLength - 1;
        }
        if (ucStart >= strUCLength){
            ucStart = strUCLength - 1;
        }
        searchStr = String(searchStr);
        var ucSearchLength = searchStr.ucLength();
        var i = ucStart;
        while (i >= 0){
            var ucSlice = str.ucSlice(i,i+ucSearchLength);
            if (ucSlice == searchStr){
                return i;
            }
            i--;
        }
        return -1;
    };
}

if (!String.prototype.ucSlice) {
    String.prototype.ucSlice = function (ucStart, ucStop) {
        var str = String(this);
        var strUCLength = str.ucLength();
        if (isNaN(ucStart)){
            ucStart = 0;
        }
        if (ucStart < 0){
            ucStart = strUCLength + ucStart;
            if (ucStart < 0){ ucStart = 0;}
        }
        if (typeof(ucStop) == 'undefined'){
            ucStop = strUCLength - 1;
        }
        if (ucStop < 0){
            ucStop = strUCLength + ucStop;
            if (ucStop < 0){ ucStop = 0;}
        }
        var ucChars = [];
        var i = ucStart;
        while (i < ucStop){
            ucChars.Push(str.ucCharAt(i));
            i++;
        }
        return ucChars.join("");
    };
}

if (!String.prototype.ucSplit) {
    String.prototype.ucSplit = function (delimeter, limit) {
        var str = String(this);
        var strUCLength = str.ucLength();
        var ucChars = [];
        if (delimeter == ''){
            for (var i = 0; i < strUCLength; i++){
                ucChars.Push(str.ucCharAt(i));
            }
            ucChars = ucChars.slice(0, 0 + limit);
        } else{
            ucChars = str.split(delimeter, limit);
        }
        return ucChars;
    };
}
2
ecellingsworth

最近のJavaScriptエンジンにはString.fromCodePoint。

const ideograph = String.fromCodePoint( 0x20001 ); // outside the BMP

また、コードポイントイテレータは、コードポイントの長さを取得します。

function countCodePoints( str )
{
    const i = str[Symbol.iterator]();
    let count = 0;
    while( !i.next().done ) ++count;
    return count;
}

console.log( ideograph.length ); // gives '2'
console.log( countCodePoints(ideograph) ); // '1'
1
Michael Allan

はい、できます。 ECMAScript標準によれば、ソースドキュメントで直接非BMP文字をサポートすることはオプションですが、最新のブラウザではそれらを使用できます。当然、ドキュメントエンコーディングは適切に宣言する必要があり、ほとんどの実用的な目的では、UTF-8エンコーディングを使用する必要があります。さらに、UTF-8を処理できるエディターが必要であり、いくつかの入力メソッドが必要です。たとえばを参照してください。 my フルUnicode入力 ユーティリティ。

適切なツールと設定を使用して、var foo = '????'を記述できます。

非BMP文字は内部的にサロゲートペアとして表されるため、各非BMP文字は文字列の長さで2としてカウントされます。

0
Jukka K. Korpela

for (c of this)命令を使用すると、非BMP文字を含む文字列に対してさまざまな計算を行うことができます。たとえば、文字列の長さを計算し、文字列のn番目の文字を取得するには：

String.prototype.magicLength = function()
{
    var c, k;
    k = 0;
    for (c of this) // iterate each char of this
    {
        k++;
    }
    return k;
}

String.prototype.magicCharAt = function(n)
{
    var c, k;
    k = 0;
    for (c of this) // iterate each char of this
    {
        if (k == n) return c + "";
        k++;
    }
    return "";
}
0
Simon Hi