【读书笔记】ES6之字符串的扩展

更好的 Unicode 表示法

在 ES6 之前，JS 的字符串以 16 位字符编码（UCS-2）为基础。每个 16 位序列都是一个码元（code unit），用于表示一个字符。字符串所有的属性与方法（像是 length 属性与 charAt()方法）都是基于 16 位的码元。当然，16 位曾经足以容纳任何字符，然而由于 Unicode 引入了扩展字符集，这就不再够用了。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，必须用两个双字节的形式表示。

'\uD842\uDFB7';
// "𠮷"

'\u20BB7';
// " 7"

1
2
3
4
5

上面代码表示，如果直接在\u 后面跟上超过 0xFFFF 的数值（比如\u20BB7），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，后面跟着一个 7。
Unicode 的明确目标是给世界上所有的字符提供全局唯一标识符，而 16 位的字符长度限制已不能满足这种需求。这些全球唯一标识符被称为代码点（ code points ），是从 0 开始的简单数字。
在 ES5 中，所有字符串操作都基于 16 位码元，这表示在处理包含代理对的 UTF-16 字符时会出现预期外的结果，就像这个例子：

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

1
2
3
4
5
6
7
8

text 的长度属性值是 2，而不是应有的 1。
意图匹配单个字符的正则表达式匹配失败了，因为它认为这里有两个字符。
charAt()方法无法返回一个有效的字符，因为这里每 16 位代码点都不是一个可打印字符。

ES6 对这一点做出了改进，只要将码点放入大括号，就能正确解读该字符。

'\u{20BB7}';
// "𠮷"

'\u{41}\u{42}\u{43}';
// "ABC"

let hello = 123;
hello; // 123

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

1
2
3
4
5
6
7
8
9
10
11

codePointAt()返回一个字符的码点

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

var s = '𠮷';

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

1
2
3
4
5
6
7

上面代码中，汉字“𠮷”（注意，这个字不是“吉祥”的“吉”）的码点是 0x20BB7，UTF-16 编码为 0xD842 0xDFB7（十进制为 55362 57271），需要 4 个字节储存。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 个字节储存的字符，返回一个字符的码点。它可以在给定字符串中按位置提取 Unicode 代码点。该方法接受的是码元位置而非字符位置，并返回一个整数值。

let s = '𠮷a';
s.codePointAt(0); // 134071
s.codePointAt(1); // 57271
s.codePointAt(2); // 97

1
2
3
4

上面代码中，JavaScript 将“𠮷 a”视为三个字符，codePointAt 方法在第一个字符上，正确地识别了“𠮷”，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“𠮷”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。
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 = '𠮷a';
s.codePointAt(0).toString(16); // "20bb7"
s.codePointAt(2).toString(16); // "61"

1
2
3

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

1
2
3
4
5
6

判断字符包含了一个还是两个码元，对该字符调用 codePointAt()方法就是最简单的方法。可以照下面的函数这么写：

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

is32Bit('𠮷'); // true
is32Bit('a'); // false

1
2
3
4
5
6

16 位字符的上边界用十六进制表示就是 FFFF，因此任何大于该数字的代码点必须用两个码元（共 32 位）来表示。

String.fromCodePoint()从码点返回对应字符

String.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）。例如：

String.fromCharCode(0x20bb7);
// "ஷ"

1
2

上面代码中，String.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。
当 ECMAScript 提供了某种方法时，它一般也会给出方法来处理相反的操作。你可以使用 codePointAt()来提取字符串内中某个字符的代码点，也可以借助 String.fromCodePoint()用给定的代码点来产生包含单个字符的字符串。
可以将 String.fromCodePoint()视为 String.fromCharCode()的完善版本。两者处理 BMP 字符时会返回相同结果，只有处理 BMP 范围之外的字符时才会有差异.

String.fromCodePoint(0x20BB7)
// "𠮷"
String.fromCodePoint(0x78, 0x1f680, 0x79) === 'x\uD83D\uDE80y'
// true
```js
如果String.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），使得字符串可以被for...of循环遍历。
```js
for (let codePoint of 'foo') {
  console.log(codePoint)
}
// "f"
// "o"
// "o"

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

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);
}
// "𠮷"

1
2
3
4
5
6
7
8
9
10
11
12

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 循环会正确识别出这一个字符。

normalize()标准化字符串

Unicode 另一个有趣之处是，不同的字符在排序或其它一些比较操作中可能会被认为是相同的。有两种方式可以定义这种关联性：第一种是规范相等（canonical equivalence），意味着两个代码点序列在所有方面都被认为是可互换的。例如，两个字符的组合可以按规范等同于另一个字符。第二种关联性是兼容性（compatibility），两个兼容的代码点序列看起来有差别，但在特定条件下可互换使用。
例如，字符"æ"与双字符的字符串"ae"或许能互换使用，但它们并不严格相等，除非使用某种手段来标准化。

'\u01D1' === '\u004F\u030C'; //false

'\u01D1'.length; // 1
'\u004F\u030C'.length; // 2

1
2
3
4

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'.normalize() === '\u004F\u030C'.normalize();
// true

1
2

该方法接受单个可选的字符串参数，用于指示需要使用下列哪种 Unicode 标准形式：

NFC，默认参数，表示“标准等价合成”（Normalization Form Canonical Composition），返回多个简单字符的合成字符。所谓“标准等价”指的是视觉和语义上的等价。
NFD，表示“标准等价分解”（Normalization Form Canonical Decomposition），即在标准等价的前提下，返回合成字符分解的多个简单字符。
NFKC，表示“兼容等价合成”（Normalization Form Compatibility Composition），返回合成字符。所谓“兼容等价”指的是语义上存在等价，但视觉上不等价，比如“囍”和“喜喜”。（这只是用来举例，normalize 方法不能识别中文。）
NFKD，表示“兼容等价分解”（Normalization Form Compatibility Decomposition），即在兼容等价的前提下，返回合成字符分解的多个简单字符。

'\u004F\u030C'.normalize('NFC').length; // 1
'\u004F\u030C'.normalize('NFD').length; // 2

1
2

不过，normalize 方法目前不能识别三个或三个以上字符的合成。这种情况下，还是只能使用正则表达式，通过 Unicode 编号区间判断。
只需记住，当比较字符串时，它们必须被标准化为同一种形式。如果你之前从未担心过 Unicode 标准化方面的问题，那么可能暂时还不太会用到这个方法。然而若你曾经开发过国际化的应用，你就一定会发现 normalize() 方法非常有用。
将 values 数组中的字符串转换为一种标准形式，以便让转换后的数组可以被正确排序。

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;
  }
});

1
2
3
4
5
6
7
8
9
10
11
12

includes(), startsWith(), endsWith() 检查字符串是否在另一字符串中

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 又提供了三种新方法。

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

1
2
3
4
5

这三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

1
2
3
4
5

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()将原字符串重复 n 次，返回新字符串

ES6 还为字符串添加了一个 repeat（）方法，它接受一个参数作为字符串的重复次数，返回一个将初始字符串重复指定次数的新字符串。例如：

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

1
2
3

参数如果是小数，会被取整。

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

如果 repeat 的参数是负数或者 Infinity，会报错。

'na'.repeat(Infinity);
// RangeError
'na'.repeat(-1);
// RangeError

1
2
3
4

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 repeat 的参数是字符串，则会先转换成数字。

'na'.repeat('na'); // ""
'na'.repeat('3'); // "nanana"

1
2

此方法比相同目的的其余方法更加方便，在操纵文本时特别有用，尤其是在需要产生缩进的代码格式化工具中，像这样：

//	indent	使用了一定数量的空格
var indent = '	'.repeat(4),
  indentLevel = 0;

//	每当你增加缩进
var newIndent = indent.repeat(++indentLevel);

1
2
3
4
5
6

第一次调用 repeat（）创建了一个包含四个空格的字符串，而 indentLeve1 变量会持续追踪缩进的级别。此后，你可以仅通过增加 indentLeve1 的值来调用 repeat（）方法，便可以改变空格数量。

padStart()，padEnd() 字符串补全长度

ES2017 引入了字符串补全长度的功能。如果某个字符串不够指定长度，会在头部或尾部补全。padStart()用于头部补全，padEnd()用于尾部补全。

'x'.padStart(5, 'ab'); // 'ababx'
'x'.padStart(4, 'ab'); // 'abax'

'x'.padEnd(5, 'ab'); // 'xabab'
'x'.padEnd(4, 'ab'); // 'xaba'

1
2
3
4
5

如果原字符串的长度，等于或大于指定的目标长度，则返回原字符串。

'xxx'.padStart(2, 'ab'); // 'xxx'
'xxx'.padEnd(2, 'ab'); // 'xxx'

1
2

如果用来补全的字符串与原字符串，两者的长度之和超过了指定的目标长度，则会截去超出位数的补全字符串。

'abc'.padStart(10, '0123456789');
// '0123456abc'

1
2

如果省略第二个参数，默认使用空格补全长度。

'x'.padStart(4); // '   x'
'x'.padEnd(4); // 'x   '

1
2

padStart()的常见用途是为数值补全指定位数。下面代码生成 10 位的数值字符串。

'1'.padStart(10, '0'); // "0000000001"
'12'.padStart(10, '0'); // "0000000012"
'123456'.padStart(10, '0'); // "0000123456"

1
2
3

另一个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"

1
2

模板字符串

模板字符串（template string）是增强版的字符串，用反引号（`）标识。它可以当作普通字符串使用，也可以用来定义多行字符串，或者在字符串中嵌入变量。
实际上，模板字面量是 ES6 针对 JS 直到 ES5 依然完全缺失的如下功能的回应：

多行字符串：针对多行字符串的形式概念；
基本的字符串格式化：将字符串部分替换为已存在的变量值的能力；
HTML 转义：能转换字符串以便将其安全插入到 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`);

// 字符串中嵌入变量
let name = 'Bob',
  time = 'today';
`Hello ${name}, how are you ${time}?`;

1
2
3
4
5
6
7
8
9
10
11
12

上面代码中的模板字符串，都是用反引号表示。如果在模板字符串中需要使用反引号，则前面要用反斜杠转义。

let greeting = `\`Yo\` World!`;

如果使用模板字符串表示多行字符串，所有的空格和缩进都会被保留在输出之中。

//ES6之前的权宜之计
var message =
  'Multiline	\
string';
console.log(message);
/*message字符串打印输出时不会有换行，
因为反斜线被视为续延符号而不是新行的符号。
为了在输出中显示换行，你需要手动包含它：*/
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();
/*此代码从第一行开始创建模板字面量，
但在第二行之前并没有包含任何文本。
HTML标签的缩进增强了可读性，
之后再调用trim（）方法移除了起始的空行。
*/

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

模板字符串中嵌入变量，需要将变量名写在${}之中。

function authorize(user, action) {
  if (!user.hasPrivilege(action)) {
    throw new Error(
      // 传统写法为
      // 'User '
      // + user.name
      // + ' is not authorized to do '
      // + action
      // + '.'
      `User ${user.name} is not authorized to do ${action}.`
    );
  }
}

1
2
3
4
5
6
7
8
9
10
11
12
13

大括号内部可以放入任意的 JavaScript 表达式，可以进行运算，以及引用对象属性。

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"

1
2
3
4
5
6
7
8
9
10
11

模板字符串之中还能调用函数。

function fn() {
  return 'Hello World';
}

`foo ${fn()} bar`;
// foo Hello World bar

1
2
3
4
5
6

如果大括号中的值不是字符串，将按照一般的规则转为字符串。比如，大括号中是一个对象，将默认调用对象的 toString 方法。
如果模板字符串中的变量没有声明，将报错。

// 变量place没有声明
let msg = `Hello, ${place}`;
// 报错

1
2
3

模板字符串甚至还能嵌套。

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>

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

如果需要引用模板字符串本身，在需要时执行，可以像下面这样写。

// 写法一
let str = 'return ' + '`Hello ${name}!`';
let func = new Function('name', str);
func('Jack'); // "Hello Jack!"

// 写法二
let str = '(name) => `Hello ${name}!`';
let func = eval.call(null, str);
func('Jack'); // "Hello Jack!"

1
2
3
4
5
6
7
8
9

标签化模板,函数调用的一种特殊形式

模板字面量真正的力量来源于标签化模板。一个模板标签（template tag）能对模板字面量进行转换并返回最终的字符串值，标签在模板的起始处被指定，即在第一个之前，如下所示：

let message = tag`Hello	world`;

alert`123`;
// 等同于
alert(123);

1
2
3
4
5

标签模板其实不是模板，而是函数调用的一种特殊形式。“标签”指的就是函数，紧跟在后面的模板字符串就是它的参数。
但是，如果模板字符里面有变量，就不是简单的调用了，而是会将模板字符串先处理成多个参数，再调用函数。

let a = 5;
let b = 10;

tag`Hello ${a + b} world ${a * b}`;
// 等同于
tag(['Hello ', ' world ', ''], 15, 50);

1
2
3
4
5
6

一个标签（tag）仅是一个函数，它被调用时接收需要处理的模板字面量数据。标签所接收的数据被划分为独立片段，并且必须将它们组合起来以创建结果。第一个参数是个数组，包含被 JS 解释过的字面量字符串，随后的参数是每个替换位的解释值。
标签函数的参数一般定义为剩余参数形式，以便更容易处理数据，如下：

function tag(stringArr, value1, value2) {
  // ...
}

// 等同于

function tag(stringArr, ...values) {
  // ...
}

1
2
3
4
5
6
7
8
9

“标签模板”的一个重要应用，就是过滤 HTML 字符串，防止用户输入恶意内容。

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, '&amp;')
      .replace(/</g, '&lt;')
      .replace(/>/g, '&gt;');

    // Don't escape special characters in the template.
    s += templateData[i];
  }
  return s;
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

上面代码中，sender 变量往往是用户提供的，经过 SaferHTML 函数处理，里面的特殊字符都会被转义。

let sender = '<script>alert("abc")</script>'; // 恶意代码
let message = SaferHTML`<p>${sender} has sent you a message.</p>`;

message;
// <p>&lt;script&gt;alert("abc")&lt;/script&gt; has sent you a message.</p>

1
2
3
4
5

标签模板的另一个应用，就是多语言转换（国际化处理）。

i18n`Welcome to ${siteName}, you are visitor number ${visitorNumber}!`;
// "欢迎访问xxx，您是第xxxx位访问者！"

1
2

除此之外，你甚至可以使用标签模板，在 JavaScript 语言之中嵌入其他语言。

jsx`
  <div>
    <input
      ref='input'
      onChange='${this.handleChange}'
      defaultValue='${this.state.value}' />
      ${this.state.value}
   </div>
`;

1
2
3
4
5
6
7
8
9

上面的代码通过 jsx 函数，将一个 DOM 字符串转为 React 对象。你可以在 Github 找到 jsx 函数的具体实现。

String.raw()返回模板字面量中的原始值

String.raw 方法，往往用来充当模板字符串的处理函数，返回一个斜杠都被转义（即斜杠前面再加一个斜杠）的字符串，对应于替换变量后的模板字符串。

String.raw`Hi\n${2 + 3}!`;
// 返回 "Hi\\n5!"

String.raw`Hi\u000A!`;
// 返回 "Hi\\u000A!"

1
2
3
4
5

如果原字符串的斜杠已经转义，那么 String.raw 会进行再次转义。

String.raw`Hi\\n`;
// 返回 "Hi\\\\n"

1
2

String.raw 方法也可以作为正常的函数使用。这时，它的第一个参数，应该是一个具有 raw 属性的对象，且 raw 属性的值应该是一个数组。

String.raw({ raw: 'test' }, 0, 1, 2);
// 't0e1s2t'

// 等同于
String.raw({ raw: ['t', 'e', 's', 't'] }, 0, 1, 2);

1
2
3
4
5

为函数，String.raw 的代码实现基本如下。

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;
};

1
2
3
4
5
6
7
8
9
10

【读书笔记】ES6之字符串的扩展

最后更新时间：2019-02-23 00:09:45

更好的 Unicode 表示法

codePointAt()返回一个字符的码点

String.fromCodePoint()从码点返回对应字符

normalize()标准化字符串

includes(), startsWith(), endsWith() 检查字符串是否在另一字符串中

repeat()将原字符串重复 n 次，返回新字符串

padStart()，padEnd() 字符串补全长度

模板字符串

标签化模板,函数调用的一种特殊形式

String.raw()返回模板字面量中的原始值

TOC

【读书笔记】ES6之字符串的扩展

最后更新时间：2019-02-23 00:09:45

# 更好的 Unicode 表示法

# codePointAt()返回一个字符的码点

# String.fromCodePoint()从码点返回对应字符

# normalize()标准化字符串

# includes(), startsWith(), endsWith() 检查字符串是否在另一字符串中

# repeat()将原字符串重复 n 次，返回新字符串

# padStart()，padEnd() 字符串补全长度

# 模板字符串

# 标签化模板,函数调用的一种特殊形式

# String.raw()返回模板字面量中的原始值

TOC

更好的 Unicode 表示法

codePointAt()返回一个字符的码点

String.fromCodePoint()从码点返回对应字符

normalize()标准化字符串

includes(), startsWith(), endsWith() 检查字符串是否在另一字符串中

repeat()将原字符串重复 n 次，返回新字符串

padStart()，padEnd() 字符串补全长度

模板字符串

标签化模板,函数调用的一种特殊形式

String.raw()返回模板字面量中的原始值