学习正则前的预备 charCodeAt

charCodeAt

方法返回给定索引表示 UTF-16 代码单元(code unit)的 0 到 65535 的整数值.

Unicode 与 UTF-16

字符串中字符的编码方式常见的有 Unicode, 其中 UTF-8, UTF-16 和 UTF-32 都是 Unicode 这种编码方式的实现. 其中 UTF-8 使用 2 个字节(16个比特)编码, UTF-32 使用 4 个字节(32个比特)编码, 特殊的是 UTF-16, 它使用 2 个字节或者是 4 个字节编码.

😘😘强烈推荐阮一峰老师的关于 Unicode 和 UTF-16 的两篇博客 Unicode与JavaScript详解和字符编码笔记：ASCII，Unicode 和 UTF-8, 我会简单说为了方便 API 的背景我简单介绍一下, 介绍的内容在阮老师的博客中都有.

如果采用 Unicode 编码, 怎么区分一个字符究竟使用 2 个字节编码还是 4 个字节呢? 答案在于基本平面和辅助平面.

如果是两个字节编码, 可以表示的编码范围在 U+0000 到 U+FFFF. 其中的一部分 U+D800 到 U+DBFF 范围就是基本平面, 在解析字符串的过程中每次读两个字节, 如果读到的两个字节恰好在基本平面内, 那么就会继读下面两个字节, 把四个字节放在一起解析. 如果读到的两个字节不在基础平面内, 那就直接解析这两个字节.

`Code Unit` 与 `Code Point`

先介绍一下关于 code unit 和 code point 的关系. MDN 中介绍了一下. 由于采用了 UTF-16 这种编码方式, 在基本平面内, 也就是在 U+0000 到 U+FFFF 中, code unit 和 code point 是等价的. 但是超过基本平面的范围, 即 U+10000 到 U+10FFFF 的范围, code unit 就和 code point 不等价了.

我们将 U+10000 到 U+10FFFF 范围内的称为 code point, 而一个 code point 需要两个 code unit 表示, 这两个 code unit 也被称为一个代理对(surrogate pair), 这时 code point 和 code unit 就不再划等号了. 而此时代理对中每个 code unit 仍在 U+0000 到 U+FFFF 中. 所以我们就明白了为什么 charCodeAt 返回的范围是 0 到 65535(2^16-1), 因为 charCodeAt 返回的是 code unit.

如果你问我为什么范围仅仅到 U+10FFFF 而不是到 U+FFFFFFFF, 那我也不知道, 反正 Unicode 就是这么规定的.

语法

charCodeAt 的参数是一个整数索引值, 要大于等于 0 并且小于字符串的长度. 如果索引不是 number 类型, 就将其默认为 0 看待.

从下图可以看到

如果参数是 0 且小于字符串长度, 就正常返回
如果参数是 number 但是超过了字符串长度或者是负数, 就返回 NaN
如果输入的字符串(非 number 类型), 就返回索引为 0 处的结果
如果输入的是小数
- 正数, 向下取整
- 负数, 在 -1 和 0 之间, 取 0; 否则返回 NaN

在这里插入图片描述

从上面的介绍中就可以看出来, 对于非基本平面内的字符, 使用 charCodeAt 没有办法获得其 Unicode 值, 比如这个 Emoji 字符😊
在这里插入图片描述

可以计算一下, 55357 对应的 16 进制为 U+D83D 是基本平面内的字符, 因此如果字符串内存在非基本平面内的字符, 需要小心使用 charCodeAt 这个方法. 当然不仅仅是 charCodeAt 可能返回有问题的结果, length 也有这个问题. 😅明明字符串中只有一个字符, 结果却返回了 2, 这是因为 length 计算 code unit 的数量来返回长度, 因为 😊 并非基础平面字符, 所以使用 2 个 code unit 编码一个字符, 因此就返回了 2.

在这里插入图片描述