mirror of
https://github.com/ruanyf/es6tutorial.git
synced 2025-05-25 03:02:21 +00:00
355 lines
10 KiB
Markdown
355 lines
10 KiB
Markdown
# 字符串的扩展
|
||
|
||
ES6加强了对Unicode的支持，并且扩展了字符串对象。
|
||
|
||
## codePointAt()
|
||
|
||
JavaScript内部，字符以UTF-16的格式储存，每个字符固定为2个字节。对于那些需要4个字节储存的字符（Unicode编号大于0xFFFF的字符），JavaScript会认为它们是两个字符。
|
||
|
||
```javascript
|
||
|
||
var s = "𠮷";
|
||
|
||
s.length // 2
|
||
s.charAt(0) // ''
|
||
s.charAt(1) // ''
|
||
s.charCodeAt(0) // 55362
|
||
s.charCodeAt(1) // 57271
|
||
|
||
```
|
||
|
||
上面代码中，汉字“𠮷”的Unicode编号是0x20BB7，UTF-16编码为0xD842 0xDFB7（十进制为55362 57271），需要4个字节储存。对于这种4个字节的字符，JavaScript不能正确处理，字符串长度会误判为2，而且charAt方法无法读取字符，charCodeAt方法只能分别返回前两个字节和后两个字节的值。
|
||
|
||
ES6提供了codePointAt方法，能够正确处理4个字节储存的字符，返回一个字符的Unicode编号。
|
||
|
||
```javascript
|
||
|
||
var s = "𠮷a";
|
||
|
||
s.codePointAt(0) // 134071
|
||
s.codePointAt(1) // 57271
|
||
|
||
s.charCodeAt(2) // 97
|
||
|
||
```
|
||
|
||
codePointAt方法的参数，是字符在字符串中的位置（从0开始）。上面代码中，JavaScript将“𠮷a”视为三个字符，codePointAt方法在第一个字符上，正确地识别了“𠮷”，返回了它的十进制Unicode编号134071（即十六进制的20BB7）。在第二个字符（即“𠮷”的后两个字节）和第三个字符“a”上，codePointAt方法的结果与charCodeAt方法相同。
|
||
|
||
总之，codePointAt方法会正确返回四字节的UTF-16字符的Unicode编号。对于那些两个字节储存的常规字符，它的返回结果与charCodeAt方法相同。
|
||
|
||
codePointAt方法是测试一个字符由两个字节还是由四个字节组成的最简单方法。
|
||
|
||
```javascript
|
||
|
||
String.fromCodePoint(134071) // "𠮷"
|
||
|
||
```
|
||
|
||
注意，fromCodePoint方法定义在String对象上，而codePointAt方法定义在字符串的实例对象上。
|
||
|
||
## 字符的Unicode表示法
|
||
|
||
JavaScript允许采用“\uxxxx”形式表示一个字符，其中“xxxx”表示字符的Unicode编号。
|
||
|
||
```javascript
|
||
|
||
"\u0061"
|
||
// "a"
|
||
|
||
```
|
||
|
||
但是，这种表示法只限于\u0000——\uFFFF之间的字符。超出这个范围的字符，必须用两个双字节的形式表达。
|
||
|
||
```javascript
|
||
|
||
"\uD842\uDFB7"
|
||
// "𠮷"
|
||
|
||
"\u20BB7"
|
||
// " 7"
|
||
|
||
```
|
||
|
||
上面代码表示，如果直接在“\u”后面跟上超过0xFFFF的数值（比如\u20BB7），JavaScript会理解成“\u20BB+7”。由于\u20BB是一个不可打印字符，所以只会显示一个空格，后面跟着一个7。
|
||
|
||
ES6对这一点做出了改进，只要将Unicode编号放入大括号，就能正确解读该字符。
|
||
|
||
```javascript
|
||
|
||
"\u{20BB7}"
|
||
// "𠮷"
|
||
|
||
"\u{41}\u{42}\u{43}"
|
||
// "ABC"
|
||
|
||
```
|
||
|
||
## 正则表达式的u修饰符
|
||
|
||
ES6对正则表达式添加了u修饰符，用来正确处理大于\uFFFF的Unicode字符。
|
||
|
||
**（1）点字符**
|
||
|
||
点（.）字符在正则表达式中，解释为除了换行以外的任意单个字符。对于大于\uFFFF的Unicode字符，点字符不能识别，必须加上u修饰符。
|
||
|
||
```javascript
|
||
|
||
var s = "𠮷";
|
||
|
||
/^.$/.test(s) // false
|
||
/^.$/u.test(s) // true
|
||
|
||
```
|
||
|
||
上面代码表示，如果不添加u修饰符，正则表达式就会认为字符串为两个字符，从而匹配失败。
|
||
|
||
**（2）Unicode字符表示法**
|
||
|
||
ES6新增了使用大括号表示Unicode字符，这种表示法在正则表达式中必须加上u修饰符，才能识别。
|
||
|
||
```javascript
|
||
|
||
/\u{61}/.test('a') // false
|
||
/\u{61}/u.test('a') // true
|
||
/\u{20BB7}/u.test('𠮷') // true
|
||
|
||
```
|
||
|
||
上面代码表示，如果不加u修饰符，正则表达式无法识别`\u{61}`这种表示法，只会认为这匹配属61个连续的u。
|
||
|
||
**（3）量词**
|
||
|
||
使用u修饰符后，所有量词都会正确识别大于\uFFFF的Unicode字符。
|
||
|
||
```javascript
|
||
|
||
/a{2}/.test('aa') // true
|
||
/a{2}/u.test('aa') // true
|
||
/𠮷{2}/.test('𠮷𠮷') // false
|
||
/𠮷{2}/u.test('𠮷𠮷') // true
|
||
|
||
```
|
||
|
||
**（4）预定义模式**
|
||
|
||
u修饰符也影响到预定义模式，能否正确识别大于\uFFFF的Unicode字符。
|
||
|
||
```javascript
|
||
|
||
/^\S$/.test('𠮷') // false
|
||
/^\S$/u.test('𠮷')
|
||
|
||
```
|
||
|
||
上面代码的`\S`是预定义模式，匹配所有不是空格的字符。只有加了u修饰符，它才能正确匹配大于\uFFFF的Unicode字符。
|
||
|
||
利用这一点，可以写出一个正确返回字符串长度的函数。
|
||
|
||
```javascript
|
||
|
||
function codePointLength(text) {
|
||
var result = text.match(/[\s\S]/gu);
|
||
return result ? result.length : 0;
|
||
}
|
||
|
||
var s = "𠮷𠮷";
|
||
|
||
s.length // 4
|
||
codePointLength(s) // 2
|
||
|
||
```
|
||
|
||
**（5）i修饰符**
|
||
|
||
有些Unicode字符的编码不同，但是字型很相近，比如，\u004B与\u212A都是大写的K。
|
||
|
||
```javascript
|
||
|
||
/[a-z]/i.test('\u212A') // false
|
||
/[a-z]/iu.test('\u212A') // true
|
||
|
||
```
|
||
|
||
上面代码中，不加u修饰符，就无法识别非规范的K字符。
|
||
|
||
## normalize()
|
||
|
||
为了表示语调和重音符号，Unicode提供了两种方法。一种是直接提供带重音符号的字符，比如Ǒ（\u01D1）。另一种是提供合成符号（combining character），即原字符与重音符号的合成，两个字符合成一个字符，比如O（\u004F）和ˇ（\u030C）合成Ǒ（\u004F\u030C）。
|
||
|
||
这两种表示方法，在视觉和语义上都等价，但是JavaScript不能识别。
|
||
|
||
```javascript
|
||
|
||
'\u01D1'==='\u004F\u030C' //false
|
||
|
||
'\u01D1'.length // 1
|
||
'\u004F\u030C'.length // 2
|
||
|
||
```
|
||
|
||
上面代码表示，JavaScript将合成字符视为两个字符，导致两种表示方法不相等。
|
||
|
||
ES6提供String.prototype.normalize()方法，用来将字符的不同表示方法统一为同样的形式，这称为Unicode正规化。
|
||
|
||
```javascript
|
||
|
||
'\u01D1'.normalize() === '\u004F\u030C'.normalize()
|
||
// true
|
||
|
||
```
|
||
|
||
normalize方法可以接受四个参数。
|
||
|
||
- NFC，默认参数，表示“标准等价合成”（Normalization Form Canonical Composition），返回多个简单字符的合成字符。所谓“标准等价”指的是视觉和语义上的等价。
|
||
|
||
- NFD，表示“标准等价分解”（Normalization Form Canonical Decomposition），即在标准等价的前提下，返回合成字符分解的多个简单字符。
|
||
|
||
- NFKC，表示“兼容等价合成”（Normalization Form Compatibility Composition），返回合成字符。所谓“兼容等价”指的是语义上存在等价，但视觉上不等价，比如“囍”和“喜喜”。
|
||
|
||
- NFKD，表示“兼容等价分解”（Normalization Form Compatibility Decomposition），即在兼容等价的前提下，返回合成字符分解的多个简单字符。
|
||
|
||
```javascript
|
||
|
||
'\u004F\u030C'.normalize(NFC).length // 1
|
||
'\u004F\u030C'.normalize(NFD).length // 2
|
||
|
||
```
|
||
|
||
上面代码表示，NFC参数返回字符的合成形式，NFD参数返回字符的分解形式。
|
||
|
||
不过，normalize方法目前不能识别三个或三个以上字符的合成。这种情况下，还是只能使用正则表达式，通过Unicode编号区间判断。
|
||
|
||
## contains(), startsWith(), endsWith()
|
||
|
||
传统上，JavaScript只有indexOf方法，可以用来确定一个字符串是否包含在另一个字符串中。ES6又提供了三种新方法。
|
||
|
||
- **contains()**：返回布尔值，表示是否找到了参数字符串。
|
||
- **startsWith()**：返回布尔值，表示参数字符串是否在源字符串的头部。
|
||
- **endsWith()**：返回布尔值，表示参数字符串是否在源字符串的尾部。
|
||
|
||
```javascript
|
||
|
||
var s = "Hello world!";
|
||
|
||
s.startsWith("Hello") // true
|
||
s.endsWith("!") // true
|
||
s.contains("o") // true
|
||
|
||
```
|
||
|
||
这三个方法都支持第二个参数，表示开始搜索的位置。
|
||
|
||
```javascript
|
||
|
||
var s = "Hello world!";
|
||
|
||
s.startsWith("o", 4) // true
|
||
s.endsWith("o", 8) // true
|
||
s.contains("o", 8) // false
|
||
|
||
```
|
||
|
||
上面代码表示，使用第二个参数n时，endsWith的行为与其他两个方法有所不同。它针对前n个字符，而其他两个方法针对从第n个位置直到字符串结束。
|
||
|
||
## repeat()
|
||
|
||
repeat()返回一个新字符串，表示将原字符串重复n次。
|
||
|
||
```javascript
|
||
|
||
"x".repeat(3) // "xxx"
|
||
"hello".repeat(2) // "hellohello"
|
||
|
||
```
|
||
|
||
## 正则表达式的y修饰符
|
||
|
||
除了u修饰符，ES6还为正则表达式添加了y修饰符，叫做“粘连”（sticky）修饰符。它的作用与g修饰符类似，也是全局匹配，后一次匹配都从上一次匹配成功的下一个位置开始，不同之处在于，g修饰符只确保剩余位置中存在匹配，而y修饰符确保匹配必须从剩余的第一个位置开始，这也就是“粘连”的涵义。
|
||
|
||
```javascript
|
||
|
||
var s = "aaa_aa_a";
|
||
var r1 = /a+/g;
|
||
var r2 = /a+/y;
|
||
|
||
r1.exec(s) // ["aaa"]
|
||
r2.exec(s) // ["aaa"]
|
||
|
||
r1.exec(s) // ["aa"]
|
||
r2.exec(s) // null
|
||
|
||
```
|
||
|
||
上面代码有两个正则表达式，一个使用g修饰符，另一个使用y修饰符。这两个正则表达式各执行了两次，第一次执行的时候，两者行为相同，剩余字符串都是“_aa_a”。由于g修饰没有位置要求，所以第二次执行会返回结果，而y修饰符要求匹配必须从头部开始，所以返回null。
|
||
|
||
如果改一下正则表达式，保证每次都能头部匹配，y修饰符就会返回结果了。
|
||
|
||
```javascript
|
||
|
||
var s = "aaa_aa_a";
|
||
var r = /a+_/y;
|
||
|
||
r.exec(s) // ["aaa_"]
|
||
r.exec(s) // ["aa_"]
|
||
|
||
```
|
||
|
||
上面代码每次匹配，都是从剩余字符串的头部开始。
|
||
|
||
进一步说，y修饰符号隐含了头部匹配的标志ˆ。
|
||
|
||
```javascript
|
||
|
||
/b/y.exec("aba")
|
||
// null
|
||
|
||
```
|
||
|
||
上面代码由于不能保证头部匹配，所以返回null。y修饰符的设计本意，就是让头部匹配的标志ˆ在全局匹配中都有效。
|
||
|
||
与y修饰符相匹配，ES6的正则对象多了sticky属性，表示是否设置了y修饰符。
|
||
|
||
```javascript
|
||
|
||
var r = /hello\d/y;
|
||
r.sticky // true
|
||
|
||
```
|
||
|
||
## 模板字符串
|
||
|
||
模板字符串（template string）是增强版的字符串，用反引号（`）标识。它可以当作普通字符串使用，也可以用来定义多行字符串，或者在字符串中嵌入变量。
|
||
|
||
```javascript
|
||
|
||
// 普通字符串
|
||
`In JavaScript '\n' is a line-feed.`
|
||
|
||
// 多行字符串
|
||
`In JavaScript this is
|
||
not legal.`
|
||
|
||
// 字符串中嵌入变量
|
||
var name = "Bob", time = "today";
|
||
`Hello ${name}, how are you ${time}?`
|
||
|
||
var x = 1;
|
||
var y = 2;
|
||
console.log(`${ x } + ${ y } = ${ x + y}`)
|
||
// "1 + 2 = 3"
|
||
|
||
```
|
||
|
||
上面代码表示，在模板字符串中嵌入变量，需要将变量名写在${}之中。
|
||
|
||
模板字符串使得字符串与变量的结合，变得容易。下面是一个例子。
|
||
|
||
```javascript
|
||
|
||
if (x > MAX) {
|
||
throw new Error(`Most ${MAX} allowed: ${x}!`);
|
||
// 传统写法为'Most '+MAX+' allowed: '+x+'!'
|
||
}
|
||
|
||
```
|