如何从代理对构造 JavaScript 中的 UTF-16 字符？答案

【问题标题】：How can I construct a UTF-16 character in JavaScript from the surrogate pair?如何从代理对构造 JavaScript 中的 UTF-16 字符？
【发布时间】：2020-02-20 16:49:04
【问题描述】：

以下计算 Unicode 代码点 (Face with Medical Mask) 的 UTF-16 代理项对。

但是我怎样才能从代理对构造字符，以便在字符串中使用？

const codepoint = 0b11111011000110111 // ????
const tmp = codepoint - 0x10000
const padded = tmp.toString(2).padStart(20, '0')
const unit1 = (Number.parseInt(padded.substr(0, 10), 2) + 0xD800).toString(16)
const unit2 = (Number.parseInt(padded.substr(10), 2) + 0xDC00).toString(16)

// obviously hard-coding the values works...
console.log(`Hard-coded: \ud83d\ude37`)
// ...but how to combine unit1 and unit2 to print the character?
console.log(`Dynamic: unit1: ${unit1}, unit2: ${unit2}`)

【问题讨论】：

我更新了我的答案。我从办公桌前走开，想起 fromCharCode 接受多个代码单元，因此无需调用两次。

标签： javascript unicode

【解决方案1】：

给你两个答案：

您可能不必

在现代 JavaScript 环境中，您不必将代码点分开，您可以使用 String.fromCodePoint 直接创建字符：

const ch = String.fromCodePoint(codepoint);

现场示例：

const codepoint = 0b11111011000110111; // ?
const ch = String.fromCodePoint(codepoint);

console.log(ch);

您可以从零件构建它

如果您没有fromCodePoint 或者您有代理项作为起点，您可以通过fromCharCode 获取每个代理项的字符串版本——但不要使用toString(16)，将单位保留为数字：

const unit1 = Number.parseInt(padded.substr(0, 10), 2) + 0xD800;
const unit2 = Number.parseInt(padded.substr(10), 2) + 0xDC00;

const ch = String.fromCharCode(unit1, unit2);

现场示例：

const codepoint = 0b11111011000110111 // ?
const tmp = codepoint - 0x10000
const padded = tmp.toString(2).padStart(20, '0')
const unit1 = Number.parseInt(padded.substr(0, 10), 2) + 0xD800;
const unit2 = Number.parseInt(padded.substr(10), 2) + 0xDC00;

const ch = String.fromCharCode(unit1, unit2);

console.log(ch);

你甚至可以这样做

const ch = String.fromCharCode(unit1) + String.fromCharCode(unit2);

...但是由于fromCharCode 接受多个字符代码（代码单元），因此将它们同时传递给它可能更有意义。

它可以单独使用每个 (String.fromCharCode(unit1) + String.fromCharCode(unit2)) 的事实可能看起来非常非常奇怪。 “你的意思是 String.fromCharCode 很高兴地创建了一个只有一半代理对的字符串？！”是的。 :-) JavaScript 字符串是 UTF-16 代码单元的序列但它们容忍无效或孤立的代理对。来自the spec：

String 类型是由零个或多个 16 位无符号整数值（“元素”）组成的所有有序序列的集合，最大长度为 2⁵³ - 1 个元素。 String 类型通常用于表示正在运行的 ECMAScript 程序中的文本数据，在这种情况下，String 中的每个元素都被视为 UTF-16 代码单元值。 ...

不解释字符串内容的 ECMAScript 操作不应用进一步的语义。解释字符串值的操作将每个元素视为单个 UTF-16 代码单元。 但是，ECMAScript 不限制这些代码单元的值或之间的关系，因此将字符串内容进一步解释为以 UTF-16 编码的 Unicode 代码点序列的操作必须考虑格式错误的子序列。 ...

（我的重点）

【讨论】：