更好的Unicode表示法
在ES6之前,JS的字符串以16位字符編碼(UCS-2)爲基礎。每個16位序列都是一個碼元(code unit),用於表示一個字符。字符串所有的屬性與方法(像是length屬性與charAt()方法)都是基於16位的碼元。當然,16位曾經足以容納任何字符,然而由於Unicode 引入了擴展字符集,這就不再夠用了。這種表示法只限於碼點在u0000~uFFFF之間的字符。超出這個範圍的字符,必須用兩個雙字節的形式表示。
"\uD842\uDFB7"
// "𠮷"
"\u20BB7"
// " 7"
上面代碼表示,如果直接在u後面跟上超過0xFFFF的數值(比如u20BB7),JavaScript會理解成u20BB+7。由於u20BB是一個不可打印字符,所以只會顯示一個空格,後面跟着一個7。
Unicode 的明確目標是給世界上所有的字符提供全局唯一標識符,而16位的字符長度限制已不能滿足這種需求。這些全球唯一標識符被稱爲代碼點( code points ),是從0開始的簡單數字。
在ES5中,所有字符串操作都基於16位碼元,這表示在處理包含代理對的UTF-16字符時會出現預期外的結果,就像這個例子:
var text="𠮷" ;
console.log(text.length);// 2
console.log(/^.$/.test(text));//false
console.log(text.charAt(0));// ""
console.log(text.charAt(1));// ""
console.log(text.charCodeAt(0));// 55362
console.log(text.charCodeAt(1));// 57271
- text的長度屬性值是2,而不是應有的1。
- 意圖匹配單個字符的正則表達式匹配失敗了,因爲它認爲這裏有兩個字符。
- charAt()方法無法返回一個有效的字符,因爲這裏每16位代碼點都不是一個可打印字符。
ES6 對這一點做出了改進,只要將碼點放入大括號,就能正確解讀該字符。
"\u{20BB7}"
// "𠮷"
"\u{41}\u{42}\u{43}"
// "ABC"
let hello = 123;
hell\u{6F} // 123
'\u{1F680}' === '\uD83D\uDE80'
// true
codePointAt()返回一個字符的碼點
JavaScript 內部,字符以UTF-16的格式儲存,每個字符固定爲2個字節。對於那些需要4個字節儲存的字符(Unicode 碼點大於0xFFFF的字符),JavaScript會認爲它們是兩個字符。
var s = "𠮷";
s.length // 2
s.charAt(0) // ''
s.charAt(1) // ''
s.charCodeAt(0) // 55362
s.charCodeAt(1) // 57271
上面代碼中,漢字“𠮷”(注意,這個字不是“吉祥”的“吉”)的碼點是0x20BB7,UTF-16 編碼爲0xD842 0xDFB7(十進制爲55362 57271),需要4個字節儲存。對於這種4個字節的字符,JavaScript不能正確處理,字符串長度會誤判爲2,而且charAt方法無法讀取整個字符,charCodeAt方法只能分別返回前兩個字節和後兩個字節的值。
ES6 提供了codePointAt方法,能夠正確處理4個字節儲存的字符,返回一個字符的碼點。它可以在給定字符串中按位置提取Unicode代碼點。該方法接受的是碼元位置而非字符位置,並返回一個整數值。
let s = '𠮷a';
s.codePointAt(0) // 134071
s.codePointAt(1) // 57271
s.codePointAt(2) // 97
上面代碼中,JavaScript將“𠮷a”視爲三個字符,codePointAt方法在第一個字符上,正確地識別了“𠮷”,返回了它的十進制碼點134071(即十六進制的20BB7)。在第二個字符(即“𠮷”的後兩個字節)和第三個字符“a”上,codePointAt方法的結果與charCodeAt方法相同。
codePointAt方法返回的是碼點的十進制值,如果想要十六進制的值,可以使用toString方法轉換一下。
let s = '𠮷a';
s.codePointAt(0).toString(16) // "20bb7"
s.codePointAt(2).toString(16) // "61"
你可能注意到了,codePointAt方法的參數,仍然是不正確的。比如,上面代碼中,字符a在字符串s的正確位置序號應該是 1,但是必須向codePointAt方法傳入 2。解決這個問題的一個辦法是使用for...of循環,因爲它會正確識別 32 位的 UTF-16 字符。
let s = '𠮷a';
for (let ch of s) {
console.log(ch.codePointAt(0).toString(16));
}
// 20bb7
// 61
判斷字符包含了一個還是兩個碼元,對該字符調用codePointAt()方法就是最簡單的方法。可以照下面的函數這麼寫:
function is32Bit(c) {
return c.codePointAt(0) > 0xFFFF;
}
is32Bit("𠮷") // true
is32Bit("a") // false
16 位字符的上邊界用十六進制表示就是FFFF,因此任何大於該數字的代碼點必須用兩個碼元(共32位)來表示。
String.fromCodePoint()從碼點返回對應字符
String.fromCharCode方法,用於從碼點返回對應字符,,但是這個方法不能識別 32 位的 UTF-16 字符(Unicode 編號大於0xFFFF)。例如:
String.fromCharCode(0x20BB7)
// "ஷ"
上面代碼中,String.fromCharCode不能識別大於0xFFFF的碼點,所以0x20BB7就發生了溢出,最高位2被捨棄了,最後返回碼點U+0BB7對應的字符,而不是碼點U+20BB7對應的字符。
當ECMAScript提供了某種方法時,它一般也會給出方法來處理相反的操作。你可以使用codePointAt()來提取字符串內中某個字符的代碼點,也可以藉助String.fromCodePoint()用給定的代碼點來產生包含單個字符的字符串。
可以將String.fromCodePoint()視爲String.fromCharCode()的完善版本。兩者處理BMP字符時會返回相同結果,只有處理BMP範圍之外的字符時纔會有差異.
String.fromCodePoint(0x20BB7)
// "𠮷"
String.fromCodePoint(0x78, 0x1f680, 0x79) === 'x\uD83D\uDE80y'
// true
如果String.fromCodePoint方法有多個參數,則它們會被合併成一個字符串返回。
注意,fromCodePoint方法定義在String對象上,而codePointAt方法定義在字符串的實例對象上。
字符串的遍歷器接口
ES6 爲字符串添加了遍歷器接口(詳見Iterator),使得字符串可以被for...of循環遍歷。
for (let codePoint of 'foo') {
console.log(codePoint)
}
// "f"
// "o"
// "o"
除了遍歷字符串,這個遍歷器最大的優點是可以識別大於0xFFFF的碼點,傳統的for循環無法識別這樣的碼點。
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);
}
// "𠮷"
上面代碼中,字符串text只有一個字符,但是for循環會認爲它包含兩個字符(都不可打印),而for...of循環會正確識別出這一個字符。
normalize()標準化字符串
Unicode另一個有趣之處是,不同的字符在排序或其它一些比較操作中可能會被認爲是相同的。有兩種方式可以定義這種關聯性:第一種是規範相等(canonical equivalence),意味着兩個代碼點序列在所有方面都被認爲是可互換的。例如,兩個字符的組合可以按規範等同於另一個字符。第二種關聯性是兼容性(compatibility),兩個兼容的代碼點序列看起來有差別,但在特定條件下可互換使用。
例如,字符"æ"與雙字符的字符串"ae"或許能互換使用,但它們並不嚴格相等,除非使用某種手段來標準化。
'\u01D1'==='\u004F\u030C' //false
'\u01D1'.length // 1
'\u004F\u030C'.length // 2
ES6 提供字符串實例的normalize()方法,用來將字符的不同表示方法統一爲同樣的形式,這稱爲 Unicode 正規化。
'\u01D1'.normalize() === '\u004F\u030C'.normalize()
// true
該方法接受單個可選的字符串參數,用於指示需要使用下列哪種 Unicode 標準形式:
- NFC,默認參數,表示“標準等價合成”(Normalization Form Canonical Composition),返回多個簡單字符的合成字符。所謂“標準等價”指的是視覺和語義上的等價。
- NFD,表示“標準等價分解”(Normalization Form Canonical Decomposition),即在標準等價的前提下,返回合成字符分解的多個簡單字符。
- NFKC,表示“兼容等價合成”(Normalization Form Compatibility Composition),返回合成字符。所謂“兼容等價”指的是語義上存在等價,但視覺上不等價,比如“囍”和“喜喜”。(這只是用來舉例,normalize方法不能識別中文。)
- NFKD,表示“兼容等價分解”(Normalization Form Compatibility Decomposition),即在兼容等價的前提下,返回合成字符分解的多個簡單字符。
'\u004F\u030C'.normalize('NFC').length // 1
'\u004F\u030C'.normalize('NFD').length // 2
不過,normalize方法目前不能識別三個或三個以上字符的合成。這種情況下,還是隻能使用正則表達式,通過 Unicode 編號區間判斷。
只需記住,當比較字符串時,它們必須被標準化爲同一種形式。 如果你之前從未擔心過Unicode標準化方面的問題,那麼可能暫時還不太會用到這個方法。然而若你曾經開發過國際化的應用,你就一定會發現 normalize() 方法非常有用。
將values數組中的字符串轉換爲一種標準形式,以便讓轉換後的數組可以被正確排序。
values.sort(function(first, second) {
var firstNormalized = first.normalize(),
secondNormalized = second.normalize();
if (firstNormalized < secondNormalized) {
return -1;
} else if (firstNormalized === secondNormalized) {
return 0;
} else {
return 1;
}
});
includes(), startsWith(), endsWith() 檢查字符串是否在另一字符串中
傳統上,JavaScript只有indexOf方法,可以用來確定一個字符串是否包含在另一個字符串中。ES6 又提供了三種新方法。
- includes():返回布爾值,表示是否找到了參數字符串。
- startsWith():返回布爾值,表示參數字符串是否在原字符串的頭部。
- endsWith():返回布爾值,表示參數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
這三個方法都支持第二個參數,表示開始搜索的位置。
let s = 'Hello world!';
s.startsWith('world', 6) // true
s.endsWith('Hello', 5) // true
s.includes('Hello', 6) // false
上面代碼表示,使用第二個參數n時,endsWith的行爲與其他兩個方法有所不同。它針對前n個字符,而其他兩個方法針對從第n個位置直到字符串結束。
repeat()將原字符串重複n次,返回新字符串
ES6還爲字符串添加了一個repeat()方法,它接受一個參數作爲字符串的重複次數,返回一個將初始字符串重複指定次數的新字符串。例如:
'x'.repeat(3) // "xxx"
'hello'.repeat(2) // "hellohello"
'na'.repeat(0) // ""
參數如果是小數,會被取整。
'na'.repeat(2.9) // "nana"
如果repeat的參數是負數或者Infinity,會報錯。
'na'.repeat(Infinity)
// RangeError
'na'.repeat(-1)
// RangeError
但是,如果參數是 0 到-1 之間的小數,則等同於 0,這是因爲會先進行取整運算。0 到-1 之間的小數,取整以後等於-0,repeat視同爲 0。
'na'.repeat(-0.9) // ""
參數NaN等同於 0。
'na'.repeat(NaN) // ""
如果repeat的參數是字符串,則會先轉換成數字。
'na'.repeat('na') // ""
'na'.repeat('3') // "nanana"
此方法比相同目的的其餘方法更加方便,在操縱文本時特別有用,尤其是在需要產生縮進的代碼格式化工具中,像這樣:
// indent 使用了一定數量的空格
var indent = " ".repeat(4),
indentLevel = 0;
// 每當你增加縮進
var newIndent = indent.repeat(++indentLevel);
第一次調用repeat()創建了一個包含四個空格的字符串,而indentLeve1變量會持續追蹤縮進的級別。此後,你可以僅通過增加indentLeve1的值來調用repeat()方法,便可以改變空格數量。
padStart(),padEnd() 字符串補全長度
ES2017 引入了字符串補全長度的功能。如果某個字符串不夠指定長度,會在頭部或尾部補全。padStart()用於頭部補全,padEnd()用於尾部補全。
'x'.padStart(5, 'ab') // 'ababx'
'x'.padStart(4, 'ab') // 'abax'
'x'.padEnd(5, 'ab') // 'xabab'
'x'.padEnd(4, 'ab') // 'xaba'
如果原字符串的長度,等於或大於指定的目標長度,則返回原字符串。
'xxx'.padStart(2, 'ab') // 'xxx'
'xxx'.padEnd(2, 'ab') // 'xxx'
如果用來補全的字符串與原字符串,兩者的長度之和超過了指定的目標長度,則會截去超出位數的補全字符串。
'abc'.padStart(10, '0123456789')
// '0123456abc'
如果省略第二個參數,默認使用空格補全長度。
'x'.padStart(4) // ' x'
'x'.padEnd(4) // 'x '
padStart()的常見用途是爲數值補全指定位數。下面代碼生成 10 位的數值字符串。
'1'.padStart(10, '0') // "0000000001"
'12'.padStart(10, '0') // "0000000012"
'123456'.padStart(10, '0') // "0000123456"
另一個用途是提示字符串格式。
'12'.padStart(10, 'YYYY-MM-DD') // "YYYY-MM-12"
'09-12'.padStart(10, 'YYYY-MM-DD') // "YYYY-09-12"
模板字符串
模板字符串(template string)是增強版的字符串,用反引號(`)標識。它可以當作普通字符串使用,也可以用來定義多行字符串,或者在字符串中嵌入變量。
實際上,模板字面量是ES6針對JS直到ES5依然完全缺失的如下功能的迴應:
- 多行字符串:針對多行字符串的形式概念;
- 基本的字符串格式化:將字符串部分替換爲已存在的變量值的能力;
- HTML轉義:能轉換字符串以便將其安全插入到HTML中的能力。
// 普通字符串
`In JavaScript '\n' is a line-feed.`
// 多行字符串
`In JavaScript this is
not legal.`
console.log(`string text line 1
string text line 2`);
// 字符串中嵌入變量
let name = "Bob", time = "today";
`Hello ${name}, how are you ${time}?`
上面代碼中的模板字符串,都是用反引號表示。如果在模板字符串中需要使用反引號,則前面要用反斜槓轉義。
let greeting = `\`Yo\` World!`;
如果使用模板字符串表示多行字符串,所有的空格和縮進都會被保留在輸出之中。
//ES6之前的權宜之計
var message = "Multiline \
string";
console.log(message);
/*message字符串打印輸出時不會有換行,
因爲反斜線被視爲續延符號而不是新行的符號。
爲了在輸出中顯示換行,你需要手動包含它:*/
var message = "Multiline \n\
string";
console.log(message);// "Multiline
// string"
//模板字符串
// "Multiline string"
$('#list').html(`
<ul>
<li>first</li>
<li>second</li>
</ul>
`.trim());
let a=`
<ul>
<li>first</li>
<li>second</li>
</ul>
`.trim()
/*此代碼從第一行開始創建模板字面量,
但在第二行之前並沒有包含任何文本。
HTML標籤的縮進增強了可讀性,
之後再調用trim()方法移除了起始的空行。
*/
模板字符串中嵌入變量,需要將變量名寫在${}之中。
function authorize(user, action) {
if (!user.hasPrivilege(action)) {
throw new Error(
// 傳統寫法爲
// 'User '
// + user.name
// + ' is not authorized to do '
// + action
// + '.'
`User ${user.name} is not authorized to do ${action}.`);
}
}
大括號內部可以放入任意的JavaScript表達式,可以進行運算,以及引用對象屬性。
let x = 1;
let y = 2;
`${x} + ${y} = ${x + y}`
// "1 + 2 = 3"
`${x} + ${y * 2} = ${x + y * 2}`
// "1 + 4 = 5"
let obj = {x: 1, y: 2};
`${obj.x + obj.y}`
// "3"
模板字符串之中還能調用函數。
function fn() {
return "Hello World";
}
`foo ${fn()} bar`
// foo Hello World bar
如果大括號中的值不是字符串,將按照一般的規則轉爲字符串。比如,大括號中是一個對象,將默認調用對象的toString方法。
如果模板字符串中的變量沒有聲明,將報錯。
// 變量place沒有聲明
let msg = `Hello, ${place}`;
// 報錯
模板字符串甚至還能嵌套。
const tmpl = addrs => `
<table>
${addrs.map(addr => `
<tr><td>${addr.first}</td></tr>
<tr><td>${addr.last}</td></tr>
`).join('')}
</table>
`;
const data = [
{ first: '<Jane>', last: 'Bond' },
{ first: 'Lars', last: '<Croft>' },
];
console.log(tmpl(data));
// <table>
//
// <tr><td><Jane></td></tr>
// <tr><td>Bond</td></tr>
//
// <tr><td>Lars</td></tr>
// <tr><td><Croft></td></tr>
//
// </table>
如果需要引用模板字符串本身,在需要時執行,可以像下面這樣寫。
// 寫法一
let str = 'return ' + '`Hello ${name}!`';
let func = new Function('name', str);
func('Jack') // "Hello Jack!"
// 寫法二
let str = '(name) => `Hello ${name}!`';
let func = eval.call(null, str);
func('Jack') // "Hello Jack!"
標籤化模板,函數調用的一種特殊形式
模板字面量真正的力量來源於標籤化模板。一個模板標籤(template tag)能對模板字面量進行轉換並返回最終的字符串值,標籤在模板的起始處被指定,即在第一個之前,如下所示:
let message = tag`Hello world`;
alert`123`
// 等同於
alert(123)
標籤模板其實不是模板,而是函數調用的一種特殊形式。“標籤”指的就是函數,緊跟在後面的模板字符串就是它的參數。
但是,如果模板字符裏面有變量,就不是簡單的調用了,而是會將模板字符串先處理成多個參數,再調用函數。
let a = 5;
let b = 10;
tag`Hello ${ a + b } world ${ a * b }`;
// 等同於
tag(['Hello ', ' world ', ''], 15, 50);
一個標籤(tag)僅是一個函數,它被調用時接收需要處理的模板字面量數據。標籤所接收的數據被劃分爲獨立片段,並且必須將它們組合起來以創建結果。第一個參數是個數組,包含被JS解釋過的字面量字符串,隨後的參數是每個替換位的解釋值。
標籤函數的參數一般定義爲剩餘參數形式,以便更容易處理數據,如下:
function tag(stringArr, value1, value2){
// ...
}
// 等同於
function tag(stringArr, ...values){
// ...
}
“標籤模板”的一個重要應用,就是過濾 HTML 字符串,防止用戶輸入惡意內容。
let message =
SaferHTML`<p>${sender} has sent you a message.</p>`;
function SaferHTML(templateData) {
let s = templateData[0];
for (let i = 1; i < arguments.length; i++) {
let arg = String(arguments[i]);
// Escape special characters in the substitution.
s += arg.replace(/&/g, "&")
.replace(/</g, "<")
.replace(/>/g, ">");
// Don't escape special characters in the template.
s += templateData[i];
}
return s;
}
上面代碼中,sender變量往往是用戶提供的,經過SaferHTML函數處理,裏面的特殊字符都會被轉義。
let sender = '<script>alert("abc")</script>'; // 惡意代碼
let message = SaferHTML`<p>${sender} has sent you a message.</p>`;
message
// <p><script>alert("abc")</script> has sent you a message.</p>
標籤模板的另一個應用,就是多語言轉換(國際化處理)。
i18n`Welcome to ${siteName}, you are visitor number ${visitorNumber}!`
// "歡迎訪問xxx,您是第xxxx位訪問者!"
除此之外,你甚至可以使用標籤模板,在 JavaScript 語言之中嵌入其他語言。
jsx`
<div>
<input
ref='input'
onChange='${this.handleChange}'
defaultValue='${this.state.value}' />
${this.state.value}
</div>
`
上面的代碼通過jsx函數,將一個 DOM 字符串轉爲 React 對象。你可以在Github找到jsx函數的具體實現。
String.raw()返回模板字面量中的原始值
String.raw方法,往往用來充當模板字符串的處理函數,返回一個斜槓都被轉義(即斜槓前面再加一個斜槓)的字符串,對應於替換變量後的模板字符串。
String.raw`Hi\n${2+3}!`;
// 返回 "Hi\\n5!"
String.raw`Hi\u000A!`;
// 返回 "Hi\\u000A!"
如果原字符串的斜槓已經轉義,那麼String.raw會進行再次轉義。
String.raw`Hi\\n`
// 返回 "Hi\\\\n"
String.raw方法也可以作爲正常的函數使用。這時,它的第一個參數,應該是一個具有raw屬性的對象,且raw屬性的值應該是一個數組。
String.raw({ raw: 'test' }, 0, 1, 2);
// 't0e1s2t'
// 等同於
String.raw({ raw: ['t','e','s','t'] }, 0, 1, 2);
爲函數,String.raw的代碼實現基本如下。
String.raw = function (strings, ...values) {
let output = '';
let index;
for (index = 0; index < values.length; index++) {
output += strings.raw[index] + values[index];
}
output += strings.raw[index]
return output;
}