ES6学习笔记:字符串的扩展(一)

ES6加强了对Unicode的支持,并且扩展了字符串对象。

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码点。

"\u0061"
// a

但是这种表示法只限于码点在\u0000~\uFFFF之间的字符。超出这个范围的字符,必须用2个双字节的形式表示。

"\uD842\uDFB7"
// ""

"\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:\u20BB&),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,或者跟着一个7。

ES6对这一点做出了改进,只要将码点发入大括号,就能正确解读该字符。

"\u{20BB7}"
// ""

"\u{41}\u{42}\u{43}"
"ABC"

let hello = 123;
hell\u{6F};
// "123"

'\u{1F680}' === '\uD83D\uDE80'
// true

上面代码中,最后一个例子表明,大括号表示法与四字节的UTF-16编码是等价的。

有了这种表示法之后,JavaScript共有6种方法可以表示一个字符。

'\z' === 'z' // true
'\172' === 'z'  // true
'\x7A' === 'z'  // true
'\u007A' === 'z'  // true
'\u{7A}' === 'z'  // true

codePointAt()

JavaScript内部,字符以UTF-16的格式存储,每个字符固定为2个字节。对于那些需要4个字节存储的字节(Unicode码点大于0xFFFF的字符),JavaScript会认为它们是两个字符。

var s = "";

s.length; // 2
s.charAt(0); // ''
s.charAt(1); // ''
s.charCodeAt(0); // 55362
s.charCodeAt(1); // 57271

上面代码中,汉子“”(注意,不是吉祥的吉)的码点是0x20BB7,UTF-16的编码为0xB842 0xDFB7(十进制为55362 57271),需要4个字节存储。

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方法无法读取整个字符,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个字节存储的字符,返回一个字符的码点。

let s = "a";

s.codePointAt(0) // 134071
s.codePointAt(1) // 57271

s.codePointAt(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“a”视为三个字符,codePointAt方法在第一个字符上,正确地识别了“”,返回了它的十进制码点 134071(即十六进制的20BB7)。在第二个字符(即“”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32位的UTF-16字符的码点。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方法返回的是码点的十进制值,如果想要十六进制的值,可以使用toString方法转换一下。

let s = 'a';

s.codePointAt(0).toString(16) // "20bb7"
s.codePointAt(2).toString(16) // "61"

你可能注意到了,codePointAt方法的参数,仍然是不正确的。比如,上面代码中,字符a在字符串s的正确位置序号应该是 1,但是必须向codePointAt方法传入 2。解决这个问题的一个办法是使用for...of循环,因为它会正确识别 32 位的 UTF-16 字符。

let s = 'a';
for (let ch of s) {
  console.log(ch.codePointAt(0).toString(16));
}
// 20bb7
// 61

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。

function is32Bit(c) {
  return c.codePointAt(0) > 0xFFFF;
}

is32Bit("") // true
is32Bit("a") // false

String.fromCodePoint()

ES5提供fromCharCode()方法,用于从码点返回对应字符,但是这个方法不能识别32位的UTF-16字符(Unicode编号大于0xFFFF)。

String.fromCharCode(0x20BB7);

// "ஷ"

上面代码中,fromCharCode不能识别大于0xFFFF的码点,所以0x20BB7就发生了溢出,最高位2被舍弃了,最后返回码点U+0BB7对应的字符,而不是码点U+20BB7对应的字符。

ES6提供了String.fromCodePoint方法,可以识别大于0xFFFF的字符,弥补了String.fromCharCode方法的不足。在作用上正好与codePointAt相反。

String.fromCodePoint(0x20BB7);
// ""

String.fromCodePoint(0x78, 0x1f680, 0x79) === 'x\uD83D\uDE80y';
// true

上面代码中,如果fromCodePoint方法有多个参数,则它们会被合并成一个字符串返回。

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。

字符串的遍历器接口

ES6为字符串添加了遍历器接口(详见《Iterator》一章),使得字符串可以被for...of循环遍历。

for (let codePoint of 'foo') {
    console.log(codePoint);
}
// "f"
// "o"
// "o"

除了遍历字符串,这个遍历器最大的优点是可以识别大于0xFFFF的码点,传统的for循环无法识别这样的码点。

let text = String.fromCodePoint(0x20BB7);

for (let i = 0; i < text.length; i++) {
    console.log(text[i]);
}
// " "
// " "

for (let i of text) {
    console.log(i);
}
// ""

上面代码中,字符串text只有一个字符,但是for循环会认为它包含两个字符(都不可打印),而for...of会正确识别出这一个字符。

normalize()

ES6提供字符串实例的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。

'\u01D1' === '\u004F\u030C'.normalize();

// true

更多详细的介绍可以看原文这里:http://es6.ruanyifeng.com/#docs/string#normalize

includes(),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3种新方法。

  • includes():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原字符串的头部
  • endsWith():返回布尔值,表示参数字符串是否在原字符串的尾部
let s = 'Hello world!';

s.startsWith('Hello'); // true
s.endsWith('!'); // true
s.includes('o'); // true

这3个方法都支持第二个参数,表示开始搜索的位置。

let s = 'Hello world!';
s.startsWith('world', 6); // true
s.endsWith('Hello', 5); // true
s.includes('Hello', 6); // 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()方法返回一个新字符串,表示将原字符串重复n次。

x.repeat(3); // "xxx"
'hello'.repeat(2); // "hellohello"
'na'.repeat(0); // ""

参数如果是小数,会被取整。

'na'.repeat(2.9); // "nana"

如果参数是负数或者Infinity,会报错。

'na'.repeat(Infinity); // Uncaught RangeError: Invalid count value
'na'.repeat(-1); // Uncaught RangeError: Invalid count value

但是,如果参数是0到-1之间的小数,则等同于0,这是因为会先进行取整运算。0到-1之间的小数,取整以后等于-0,repeat视同为0。

'na'.repeat(-0.9); // ""

参数NaN等同于0。

'na'.repeat(NaN);  // ""

如果参数是字符串,会先转换成数字。

'na'.repeat('na'); // ""
'na'.repeat('3'); // nanana
本系列笔记源自阮一峰老师的《ECMAScript 6 入门》教程,感谢作者的无私奉献。