JavaScript emoji utils
写在前面
JavaScript的字符串处理貌似不难,直到遇上了emoji:
javascript-emoji-issues
??发生了什么?到底怎么回事?
得从Unicode编码说起……
一.Unicode编码
The Unicode codepoint range goes from U+0000 to U+10FFFF which is over 1 million symbols, and these are divided into groups called planes. Each plane is about 65000 characters (16^4). The first plane is the Basic Multilingual Plane (U+0000 through U+FFFF) and contains all the common symbols we use everyday and then some. The rest of the planes require more than 4 hexadecimal digits and are called supplementary planes or astral planes.
也就是说,Unicode支持的编码范围是U+0000到U+10FFFF,能对应100多万个符号(0x10FFFF === 1114111)。这些符号被分组归入16个平面(panel),所以每个平面放65536(16^4 === 65536)个
其中,常用符号都放在第一个平面(U+0000到U+FFFF)里,所以称之为基本多语言平面(Basic Multilingual Plane,也简称BMP),其余的平面中的码位值(codepoint,即符号对应的Unicode编码值)都大于4位(16进制),称为辅助平面(supplementary plane)
P.S.辅助平面还有个看起来很厉害的名字,叫astral plane(星界?星界位面?)
I have no idea if there’s a good reason for the name “astral plane.” Sometimes, I think people come up with these names just to add excitement to their lives.
此外,基本多语言平面里65536个位置的入住率并不是100%,专门空出来一些位置以备不时之需,比如新增特殊含义符号,或者扩展
比如UTF-16中代理对儿(surrogate pairs)的概念,即用两个4位(16进制)的小码位值表示一个大码位值(大于4位),算是一种从基本多语言平面到辅助平面的映射,之所以能这样做,就是因为:
基本多语言平面内,从U+D800到U+DFFF之间的码位区段是永久保留不映射到Unicode字符。UTF-16就利用保留下来的0xD800-0xDFFF区段的码位来对辅助平面的字符的码位进行编码。
二.JavaScript中的Unicode
JS中的Unicode字符有3种表示方法:
'A' === '\u0041' === '\x41' === '\u{41}'
其中\x仅用于U+0000到U+00FF,\u适用于任意Unicode字符(U+0000到U+10FFFF),但大于4位(大于U+FFFF)的话,就要用花括号({})把十六进制序列包起来:
The \x can be used for most (but not all) of the Basic Multilingual Plane, specifically U+0000 to U+00FF. The \u can be used for any Unicode characters. The curly braces are required if there are more than 4 hexadecimal digits and optional otherwise.
注意,\u{}转义语法是在ES 2015中定义的,称之为UnicodeEscapeSequence。之前用两个小Unicode来表示一个大Unicode,例如:
'' === '\u{1F4A9}''' === '\uD83D\uDCA9'
\uD83D\uDCA9就是代理对儿,形如<H,L>,二者的转换关系如下:
let C, L, H;C = 0x1F4A9;// 公式:大Unicode转代理对儿H = Math.floor((C - 0x10000) / 0x400) + 0xD800;L = (C - 0x10000) % 0x400 + 0xDC00;[H, L].map(v => '\\u' + v.toString(16).toUpperCase()).join('')"\uD83D\uDCA9"
另外,JS中认为一个16位无符号整数值是一个字符,所以一个emoji可能会被认为是多个字符:
The phrase code unit and the word character will be used to refer to a 16-bit unsigned value used to represent a single 16-bit unit of text.Unicode character only refers to entities represented by single Unicode scalar values: the components of a combining character sequence are still individual “Unicode characters”, even though a user might think of the whole sequence as a single character.
P.S.关于JavaScript的Unicode支持以及ES规范的相关内容,见JavaScript’s internal character encoding: UCS-2 or UTF-16?
正则表达式中的Unicode
既然大Unicode(大于U+FFFF的)在JS中用两个小Unicode(代理对儿)来表示,那么自然会写出这样的正则表达式:
> /[\uD83D\uDCA9-\uD83D\uDE0A]/.test('')Uncaught SyntaxError: Invalid regular expression: /[\uD83D\uDCA9-\uD83D\uDE0A]/: Range out of order in character class
报错无法识别这样的range,那怎样用正则表达式描述大Unicode字符范围呢?
JS提供了u flag来解决这个问题:
u Unicode; treat pattern as a sequence of Unicode code points/[\uD83D\uDCA9-\uD83D\uDE0A]/u.test('')/[-]/u.test('')
类似的,.(点号匹配任意字符)想要匹配代理对儿形式的大Unicode的话,也需要开启u flag:
> /foo.bar/.test('foobar')false> /foo.bar/u.test('foobar')trueP.S././u仅能匹配代理对儿形式的emoji,其它形式的不行,例如:> /foo.bar/u.test('foo2⃣️bar')false
P.S.更多相关示例,见Astral ranges in character classes
fromCodePoint与fromCharCode
String.fromCodePoint与String.fromCharCode的区别在于,前者支持更大范围的16进制Unicode编码,例如:
> String.fromCodePoint(0x1F4A9)""> String.fromCharCode(0x1F4A9)""
但fromCodePoint由ES 2015规范定义,兼容性不如fromCharCode好,对于0x0000-0xFFFF范围的65536个Unicode字符,建议使用fromCharCode
三.emoji编码
类似于Unicode,emoji也是一种编码规则,也有对应的规范,还存在很多个版本:
Emoji 12.0Emoji 11.0Emoji 5.0Emoji 4.0Emoji 3.0Emoji 2.0Emoji 1.0
其中12.0计划2019年才发布,最新的11.0发布于2018-02-07
像HTML、CSS规范一样,新版规范中新增的emoji不一定都被实现了,并且面临的兼容性问题比HTML、CSS更恶劣:
规范版本:emoji规范发版频繁,多版本共存
平台差异:除了Web浏览器环境外,emoji还依赖平台原生支持(各种屏幕显示设备)
依赖Unicode:emoji是在Unicode基础上建立的,依赖Unicode规范
比如从短信复制粘贴到网页输入框,emoji可能就显示不出来或者乱码了,因为native与Web浏览器支持的emoji规范版本或实现程度存在差异。另外,Unicode新规范可能会与已定义的emoji规范有冲突,这时候自然得由emoji规范让步:
Unicode 12.0 is the new version of the Unicode Standard planned for release in March 2019. See Emoji 12.0 for a more complete list of potential emojis for 2019.Note: All emojis listed throughout 2018 are candidates only, and subject to change before a final release.
emoji面临的环境有多恶劣呢?如图:
emoji-unicode-platform
回到emoji规范本身,长这样子:
1F600 ; emoji ; L1 ; secondary ; x # V6.1 () GRINNING FACE1F48F ; emoji ; L1 ; none ; j # V6.0 () KISS
最左边是Unicode码位值,被成功录入Unicode规范的话,U+1F48F就会对应KISS表情:
> '\u{1F48F}'""
除了这种与Unicode一一对应的emoji,加入Unicode大家庭外,还有几种特殊的emoji:
variation selector-16:一个不可见字符(U+FE0F),表示在它前面的字符应该用emoji显示
zero width joiner:零宽连接符,是一个零宽空格(U+200D),用来把多个emoji合成为一个emoji
tone modifier:肤色修饰,一种语法,能改变前一个emoji的肤色,语法格式是<emoji>\ud83c[\udffb-\udfff],即U+D83C后面跟不同的几个值表示不同的肤色控制
keycap:键帽符号,键帽样式的0-9、#和*,以U+20E3结尾
unofficial emoji flag:存在一些非常规国旗emoji,以黑色旗子(U+1F3F4)开头,取消符号(U+E007F)结尾
例如:
// \ufe0f让黑心字符显示成emoji,连续两个也没关系'❤️️' === '\u2764\ufe0f\ufe0f''\u2764\ufe0f' === '❤️''\u2764' === '❤'// 零宽连接符\u200d合成复杂表情, + ❤️ + + = ❤️'❤️' == '\ud83d\udc69\u200d\u2764\ufe0f\u200d\ud83d\udc8b\u200d\ud83d\udc69'// 肤色修饰,黑baby、白baby'' === '\ud83d\udc76\ud83c\udfff''' === '\ud83d\udc76\ud83c\udffb'// 键帽样式'#️⃣' === '\u0023\ufe0f\u20e3'// 非官方国旗'' ==='\ud83c\udff4\udb40\udc67\udb40\udc62\udb40\udc73\udb40\udc63\udb40\udc74\udb40\udc7f'
四.JavaScript里的emoji
那么在JS里,一个emoji到底含有几个Unicode字符?
> '⛳'.length1> ''.length2> '1️⃣'.length3> ''.length4> ''.length11> ''.length14
一个emoji字面量的长度从1到14(还可能存在更长的)各不相同……所以,会出现这种情况:
> '我们是一家人'.slice(0, 1)"�"> '我们是一家人'.substr(0, 2)""
期望通过slice(0, 1)截取第一个emoji,却得到了一个无法显示的字符,甚至substr(0, 2)从一家4口中拆出了Man()……这可咋整?
对于某些emoji,有一种非常简单的处理方式,Array.from:
> Array.from('').length1字符串转数组时会保持代理对儿在一起,所以length正确了,但这种方法不是万能的:> Array.from('').length7P.S.类似的,支持Unicode编码转换的bestiejs/punycode.js 也存在类似的问题:> punycode.ucs2.decode(' ').length1> punycode.ucs2.decode('').length7
也就是说,单靠JS对Unicode的原生支持,无法正确处理含emoji的字符串。那么,在一些场景会遇到问题:
表单检验字数限制
截取文章摘要
反转字符串
逐字符处理
正则匹配
……其它含emoji的文本处理场景
例如:
> '一个打十个'.length >= 10 === truetrue> '你好hi233..。'.substr(0, 10)"你好hi233�"> Array.from('1️⃣23').reverse().join('')"32⃣️1"> '开心'[0] === ''false> /a.b/.test('ab')false
P.S.关于JavaScript中Unicode的更多问题,见JavaScript has a Unicode problem
五.解决方案:emoutils.js
要解决上面列出的一排问题,只能想办法识别emoji了,目前(2018/09/15)貌似还没有这样的工具库
手搓一个,类似于词法分析,逐字符匹配,挑出符合emoji编码规则的Unicode组合,具体见下面源码
Github地址:https://github.com/ayqy/emoji-utils
在线Demo(测试case):https://ayqy.github.io/emoji/index.html
API
提供了6个简单API:
// 是不是一个emojiisEmoji(str)// 是否包含emojicontainsEmoji(str)// 字符串转Unicode数组str2unicodeArray(str)// 计算长度length(str)// 子串截取substr(str = '', start = 0, len = Infinity)// 字符串转数组,相当于split('')toArray(str)
内部未暴露的方法有:
// 尝试匹配开头的emoji,失败返回''matchOneEmoji(str, matched = '')
缺陷
但是,这些工具函数并不100%靠谱,因为:
Not all browsers, UIs, etc even render ❤️ as a single symbol. The code assumes the joiners are used between characters appropriately which could be very problematic.
所以,emoutils.js的实现基于3点假设:
所有代理对儿都是emoji(事实上,有些代理对儿不是emoji)
肤色控制对所有emoji都是有效的,并且只对emoji生效(对普通文本符号无效)
joiner连接起来的emoji都算一个,无论显示上能否被合成一个emoji
对于第一点假设,代理对儿形式的不一定是emoji,也可能是纯文本,例如:
'\ud835\udc00' === ''后两点假设也会导致一些badcase,例如(Chrome Console环境):// 尝试制造黑色笑脸,未遂'\ud83d\ude0a\ud83c\udfff' === ''// 尝试人工合成新物种,失败'\u0023\ufe0f\u20e3\u200d\ud83d\ude0a' === '#️⃣''\ud83d\ude0a\u200d\ud83d\ude0a' === ''
这些case都会被识别成1个emoji,而Chrome Console环境显示是2个,因为它们:
符合emoji编码的语法规则
但不一定是合法的emoji
即便合法,当前平台也不一定支持
emoutils.js假设满足第一点的就是一个独立显示的合法emoji,未考虑emoji规范版本以及平台支持性,所以存在这样的badcase。badcase可能带来的影响是:
isEmoji/containsEmoji()误判类似于”的文本字符
length()小于实际显示的字符长度
substr()/toArray()与实际预期不符
所以能这个工具库所能识别出的字符集是emoji的超集,多出来一部分代理对儿形式的文本,以及符合emoji编码规则但在emoji规范中未定义的字符序列。尽管如此,实际应用中足够应对大多数场景了
P.S.对于需要准确处理emoji的场景,可以考虑emoji-regex
参考资料
Finally moving past “”.length === 2
“”.length === 2
Can you use String.fromCodePoint just like String.fromCharCode
Unicode详解
更多相关文章
- Java 中字符集的编解码
- 008. 字符串转换整数 (atoi) | Leetcode题解
- 003. 无重复字符的最长子串 | Leetcode题解
- Jquery对选取到的元素显示指定的长度,对于的字符串用“...”显示
- 将字符串数组发布到.net-core mvc
- js或Jquery中判断字符串中是否有换行符或回车符/n
- 通过],[和创建json对象来分割字符串
- jQuery返回一个没有逗号的字符串的前5个单词
- 将Object转换为字符串并返回[复制]