JS字符串编码_Unicode处理技巧

JavaScript字符串基于UTF-16编码，BMP字符占2字节，非BMP如emoji需代理对占4字节；'?'.length为2但实际是1个字符，应使用Array.from('?').length或扩展运算符获取正确长度；访问字符时charAt可能截断代理对导致乱码，推荐用String.prototype.at()或codePointAt判断；正则需加u标志支持Unicode，如/^.$/u.test('?')返回true，\p{Emoji}可匹配emoji。

JavaScript 中的字符串基于 UTF-16 编码，这使得处理 Unicode 字符时容易出现一些意料之外的问题。掌握正确的 Unicode 处理技巧，能有效避免字符截断、长度误判等问题。

理解 Unicode 与 UTF-16 编码

Unicode 是为全球字符设计的统一编码标准，每个字符对应一个码点（Code Point），例如 U+1F600 表示“?”。但 JS 字符串使用 UTF-16 编码存储，这意味着：

• 基本多文种平面（BMP）字符（U+0000 到 U+FFFF）占 2 个字节，用一个 16 位单元表示
• 超出 BMP 的字符（如 emoji、部分汉字）需用代理对（Surrogate Pair）表示，占 4 个字节，即两个 16 位单元

例如，“?” 的码点是 U+20BB7，在 JS 中会被表示为两个 \u{20BB7} 才能正确解析。

正确获取字符串长度

直接使用 string.length 可能返回错误结果，因为代理对会被算作两个字符。

'?'.length 返回 2，但实际上它是一个字符。

使用 ES6 的 Array.from() 或扩展运算符：

字符串处理类：将GBK，UTF8字符串转化为Unicode编码的php类库

151

查看详情

• Array.from('?').length → 1
• [...'?'].length → 1

或者使用 String.prototype.codePointAt() 遍历码点来计数。

安全地访问和截取字符

使用 charAt() 或索引访问可能只拿到代理对的一半，导致乱码。

• '?'.charAt(0) 返回空字符或乱码

推荐使用 String.prototype.at()（现代浏览器支持）或结合 codePointAt 手动判断：

function getChar(str, index) { const code = str.codePointAt(index); if (code >= 0x10000) return str.slice(index, index + 2); return str[index]; }

正则表达式中的 Unicode 支持

默认正则不识别代理对或 Unicode 属性。使用 u 标志启用完整 Unicode 支持。

• /^.$/u.test('?') → true（匹配单个码点）
• /\p{Emoji}/u 可匹配 emoji（需配合属性）

利用 \p{} 和 Polyfill 可实现更复杂的 Unicode 字符分类匹配。

以上就是JS字符串编码_Unicode处理技巧的详细内容，更多请关注php中文网其它相关文章！