Javascript и строковые манипуляции с суррогатными парами utf-16

Я работаю над твиттер-приложением и просто наткнулся на мир utf-8 (16). Похоже, что большинство функций строки javascript так же слепы к суррогатным парам, как и я. Мне нужно перекодировать некоторые вещи, чтобы они были осведомлены о широком знании.

У меня есть эта функция для синтаксического анализа строк в массивах при сохранении суррогатных пар. Затем я перекодирую несколько функций для обработки массивов, а не строк.

function sortSurrogates(str){
  var cp = [];                 // array to hold code points
  while(str.length){           // loop till we've done the whole string
    if(/[\uD800-\uDFFF]/.test(str.substr(0,1))){ // test the first character
                               // High surrogate found low surrogate follows
      cp.push(str.substr(0,2)); // push the two onto array
      str = str.substr(2);     // clip the two off the string
    }else{                     // else BMP code point
      cp.push(str.substr(0,1)); // push one onto array
      str = str.substr(1);     // clip one from string 
    }
  }                            // loop
  return cp;                   // return the array
}

Мой вопрос: есть ли что-то более простое, что мне не хватает? Я вижу, что многие люди повторяют, что javascript имеет дело с utf-16 изначально, но мое тестирование заставляет меня поверить, что это может быть формат данных, но функции еще этого не знают. Я пропустил что-то простое?

EDIT: Чтобы помочь проиллюстрировать проблему:

var a = "0123456789"; // U+0030 - U+0039 2 bytes each
var b = "𝟘𝟙𝟚𝟛𝟜𝟝𝟞𝟟𝟠𝟡"; // U+1D7D8 - U+1D7E1 4 bytes each
alert(a.length); // javascript shows 10
alert(b.length); // javascript shows 20

Twitter видит и считает, что оба из них имеют длину 10 символов.

Ответы

Ответ 1

Javascript использует UCS-2 внутренне, что не является UTF-16. Из-за этого очень сложно обрабатывать Unicode в Javascript, и я не предлагаю этого сделать.

Что касается того, что делает Twitter, вы, кажется, говорите, что это безопасный подсчет по кодовой точке не безумно с помощью блока кода.

Если у вас нет выбора, вы должны использовать язык программирования, который фактически поддерживает Unicode и который имеет интерфейс с кодовой точки, а не интерфейс кода. Javascript недостаточно хорош для этого, как вы обнаружили.

У этого есть Проклятие UCS-2, что даже хуже, чем Проклятие UTF-16, которое уже достаточно плохо. Я говорю обо всем этом в разговоре OSCON, 🔫 Unicode Support Shootout: 👍 The Good, the Bad и (в основном) Ugly 👎.

Из-за его ужасного проклятия вам нужно вручную имитировать UTF-16 с UCS-2 в Javascript, что является просто орехом.

Javascript страдает от всех других ужасных проблем Unicode. У него нет поддержки графем или нормализации или сортировки, которые вам действительно нужны. И его регулярные выражения сломаны, иногда из-за Проклятия, иногда только потому, что люди ошибались. Например, Javascript не способен выражать регулярные выражения типа [𝒜-𝒵]. Javascript даже не поддерживает casefolding, поэтому вы не можете написать шаблон, подобный /ΣΤΙΓΜΑΣ/i, и правильно его сопоставить с στιγμας.

Вы можете попытаться использовать плагин XRegEXp, но вы не будете изгонять проклятие таким образом. Только переход на язык с поддержкой Unicode сделает это, а 𝒥𝒶𝓋𝒶𝓈𝒸𝓇𝒾𝓅𝓉 просто не является одним из них.

Ответ 2

Я сбил начальную точку для объекта обработки строки Unicode. Он создает функцию под названием UnicodeString(), которая принимает либо строку JavaScript, либо массив целых чисел, представляющих кодовые точки Unicode, и предоставляет свойства length и codePoints и методы toString() и slice(). Добавление поддержки регулярных выражений будет очень сложным, но такие вещи, как indexOf() и split() (без поддержки регулярных выражений), должны быть довольно легко реализованы.

var UnicodeString = (function() {
    function surrogatePairToCodePoint(charCode1, charCode2) {
        return ((charCode1 & 0x3FF) << 10) + (charCode2 & 0x3FF) + 0x10000;
    }

    function stringToCodePointArray(str) {
        var codePoints = [], i = 0, charCode;
        while (i < str.length) {
            charCode = str.charCodeAt(i);
            if ((charCode & 0xF800) == 0xD800) {
                codePoints.push(surrogatePairToCodePoint(charCode, str.charCodeAt(++i)));
            } else {
                codePoints.push(charCode);
            }
            ++i;
        }
        return codePoints;
    }

    function codePointArrayToString(codePoints) {
        var stringParts = [];
        for (var i = 0, len = codePoints.length, codePoint, offset, codePointCharCodes; i < len; ++i) {
            codePoint = codePoints[i];
            if (codePoint > 0xFFFF) {
                offset = codePoint - 0x10000;
                codePointCharCodes = [0xD800 + (offset >> 10), 0xDC00 + (offset & 0x3FF)];
            } else {
                codePointCharCodes = [codePoint];
            }
            stringParts.push(String.fromCharCode.apply(String, codePointCharCodes));
        }
        return stringParts.join("");
    }

    function UnicodeString(arg) {
        if (this instanceof UnicodeString) {
            this.codePoints = (typeof arg == "string") ? stringToCodePointArray(arg) : arg;
            this.length = this.codePoints.length;
        } else {
            return new UnicodeString(arg);
        }
    }

    UnicodeString.prototype = {
        slice: function(start, end) {
            return new UnicodeString(this.codePoints.slice(start, end));
        },

        toString: function() {
            return codePointArrayToString(this.codePoints);
        }
    };


    return UnicodeString;
})();

var ustr = UnicodeString("f𝌆𝌆bar");
document.getElementById("output").textContent = "String: '" + ustr + "', length: " + ustr.length + ", slice(2, 4): " + ustr.slice(2, 4);
<div id="output"></div>

Ответ 3

Вот несколько сценариев, которые могут быть полезны при работе с суррогатными парами в JavaScript:

Ответ 4

Этот соответствует тем, что я искал. Он нуждается в лучшей поддержке для различных строковых функций. По мере добавления к нему я обновлю этот ответ.

function wString(str){
  var T = this; //makes 'this' visible in functions
  T.cp = [];    //code point array
  T.length = 0; //length attribute
  T.wString = true; // (item.wString) tests for wString object

//member functions
  sortSurrogates = function(s){  //returns array of utf-16 code points
    var chrs = [];
    while(s.length){             // loop till we've done the whole string
      if(/[\uD800-\uDFFF]/.test(s.substr(0,1))){ // test the first character
                                 // High surrogate found low surrogate follows
        chrs.push(s.substr(0,2)); // push the two onto array
        s = s.substr(2);         // clip the two off the string
      }else{                     // else BMP code point
        chrs.push(s.substr(0,1)); // push one onto array
        s = s.substr(1);         // clip one from string 
      }
    }                            // loop
    return chrs;
  };
//end member functions

//prototype functions
  T.substr = function(start,len){
    if(len){
      return T.cp.slice(start,start+len).join('');
    }else{
      return T.cp.slice(start).join('');
    }
  };

  T.substring = function(start,end){
    return T.cp.slice(start,end).join('');
  };

  T.replace = function(target,str){
    //allow wStrings as parameters
    if(str.wString) str = str.cp.join('');
    if(target.wString) target = target.cp.join('');
    return T.toString().replace(target,str);
  };

  T.equals = function(s){
    if(!s.wString){
      s = sortSurrogates(s);
      T.cp = s;
    }else{
        T.cp = s.cp;
    }
    T.length = T.cp.length;
  };

  T.toString = function(){return T.cp.join('');};
//end prototype functions

  T.equals(str)
};

Результаты тестирования:

// plain string
var x = "0123456789";
alert(x);                    // 0123456789
alert(x.substr(4,5))         // 45678
alert(x.substring(2,4))      // 23
alert(x.replace("456","x")); // 0123x789
alert(x.length);             // 10

// wString object
x = new wString("𝟘𝟙𝟚𝟛𝟜𝟝𝟞𝟟𝟠𝟡");
alert(x);                    // 𝟘𝟙𝟚𝟛𝟜𝟝𝟞𝟟𝟠𝟡
alert(x.substr(4,5))         // 𝟜𝟝𝟞𝟟𝟠
alert(x.substring(2,4))      // 𝟚𝟛
alert(x.replace("𝟜𝟝𝟞","x")); // 𝟘𝟙𝟚𝟛x𝟟𝟠𝟡
alert(x.length);             // 10

Ответ 5

Итераторы строки Javascript могут давать вам фактические символы вместо суррогатных кодовых точек:

>>> [..."0123456789"]
["0", "1", "2", "3", "4", "5", "6", "7", "8", "9"]
>>> [..."𝟘𝟙𝟚𝟛𝟜𝟝𝟞𝟟𝟠𝟡"]
["𝟘", "𝟙", "𝟚", "𝟛", "𝟜", "𝟝", "𝟞", "𝟟", "𝟠", "𝟡"]
>>> [..."0123456789"].length
10
>>> [..."𝟘𝟙𝟚𝟛𝟜𝟝𝟞𝟟𝟠𝟡"].length
10