Unicode是什么？

　　Unicode源于一個很簡單的想法：將全世界所有的字符包含在一個集合里，計(jì)算機(jī)只要支持這一個字符集，就能顯示所有的字符，再也不會有亂碼了。

　　它從0開始，為每個符號指定一個編號，這叫做“碼點(diǎn)”（code point）。比如，碼點(diǎn)0的符號就是null（表示所有二進(jìn)制位都是0）。

　　U+0000 = null

　　上式中，U+表示緊跟在后面的十六進(jìn)制數(shù)是Unicode的碼點(diǎn)。

　　目前，Unicode的最新版本是7.0版，一共收入了109449個符號，其中的中日韓文字為74500個?？梢越普J(rèn)為，全世界現(xiàn)有的符號當(dāng)中，三分之二以上來自東亞文字。比如，中文“好”的碼點(diǎn)是十六進(jìn)制的597D。

　　U+597D = 好

　　這么多符號，Unicode不是一次性定義的，而是分區(qū)定義。每個區(qū)可以存放65536個（216）字符，稱為一個平面（plane）。目前，一共有17個（25）平面，也就是說，整個Unicode字符集的大小現(xiàn)在是221。

　　最前面的65536個字符位，稱為基本平面（縮寫B(tài)MP），它的碼點(diǎn)范圍是從0一直到216-1，寫成16進(jìn)制就是從U+0000到U+FFFF。所有最常見的字符都放在這個平面，這是Unicode最先定義和公布的一個平面。

　　剩下的字符都放在輔助平面（縮寫SMP），碼點(diǎn)范圍從U+010000一直到U+10FFFF。

　　javascript是什么？

　　JavaScript一種直譯式腳本語言，是一種動態(tài)類型、弱類型、基于原型的語言，內(nèi)置支持類型。它的解釋器被稱為JavaScript引擎，為瀏覽器的一部分，廣泛用于客戶端的腳本語言，最早是在HTML（標(biāo)準(zhǔn)通用標(biāo)記語言下的一個應(yīng)用）網(wǎng)頁上使用，用來給HTML網(wǎng)頁增加動態(tài)功能。

　　在1995年時，由Netscape公司的Brendan Eich，在網(wǎng)景導(dǎo)航者瀏覽器上首次設(shè)計(jì)實(shí)現(xiàn)而成。因?yàn)镹etscape與Sun合作，Netscape管理層希望它外觀看起來像Java，因此取名為JavaScript。但實(shí)際上它的語法風(fēng)格與Self及Scheme較為接近。

　　為了取得技術(shù)優(yōu)勢，微軟推出了JScript，CEnvi推出ScriptEase，與JavaScript同樣可在瀏覽器上運(yùn)行。為了統(tǒng)一規(guī)格，因?yàn)镴avaScript兼容于ECMA標(biāo)準(zhǔn)，因此也稱為ECMAScript。

　　UTF-32與UTF-8

　　Unicode只規(guī)定了每個字符的碼點(diǎn)，到底用什么樣的字節(jié)序表示這個碼點(diǎn)，就涉及到編碼方法。

　　最直觀的編碼方法是，每個碼點(diǎn)使用四個字節(jié)表示，字節(jié)內(nèi)容一一對應(yīng)碼點(diǎn)。這種編碼方法就叫做UTF-32。比如，碼點(diǎn)0就用四個字節(jié)的0表示，碼點(diǎn)597D就在前面加兩個字節(jié)的0。

　　U+0000 = 0x0000 0000

　　U+597D = 0x0000 597D

　　UTF-32的優(yōu)點(diǎn)在于，轉(zhuǎn)換規(guī)則簡單直觀，查找效率高。缺點(diǎn)在于浪費(fèi)空間，同樣內(nèi)容的英語文本，它會比ASCII編碼大四倍。這個缺點(diǎn)很致命，導(dǎo)致實(shí)際上沒有人使用這種編碼方法，HTML 5標(biāo)準(zhǔn)就明文規(guī)定，網(wǎng)頁不得編碼成UTF-32。

　　我們需要一種節(jié)省空間的表示法。

　　人們真正需要的是一種節(jié)省空間的編碼方法，這導(dǎo)致了UTF-8的誕生。UTF-8是一種變長的編碼方法，字符長度從1個字節(jié)到4個字節(jié)不等。越是常用的字符，字節(jié)越短，最前面的128個字符，只使用1個字節(jié)表示，與ASCII碼完全相同。

　　由于UTF-8這種節(jié)省空間的特性，導(dǎo)致它成為互聯(lián)網(wǎng)上最常見的網(wǎng)頁編碼。

　　JavaScript使用哪一種編碼？

　　JavaScript語言采用Unicode字符集，但是只支持一種編碼方法。

　　這種編碼既不是UTF-16，也不是UTF-8，更不是UTF-32。上面那些編碼方法，JavaScript都不用。

　　JavaScript用的是UCS-2！

　 ? ?UCS-2編碼

　　互聯(lián)網(wǎng)還沒出現(xiàn)的年代，曾經(jīng)有兩個團(tuán)隊(duì)，不約而同想搞統(tǒng)一字符集。一個是1988年成立的Unicode團(tuán)隊(duì)，另一個是1989年成立的UCS團(tuán)隊(duì)。等到他們發(fā)現(xiàn)了對方的存在，很快就達(dá)成一致：世界上不需要兩套統(tǒng)一字符集。

　　1991年10月，兩個團(tuán)隊(duì)決定合并字符集。也就是說，從今以后只發(fā)布一套字符集，就是Unicode，并且修訂此前發(fā)布的字符集，UCS的碼點(diǎn)將與Unicode完全一致。

　　UCS的開發(fā)進(jìn)度快于Unicode，1990年就公布了第一套編碼方法UCS-2，使用2個字節(jié)表示已經(jīng)有碼點(diǎn)的字符。（那個時候只有一個平面，就是基本平面，所以2個字節(jié)就夠用了。）UTF-16編碼遲至1996年7月才公布，明確宣布是UCS-2的超集，即基本平面字符沿用UCS-2編碼，輔助平面字符定義了4個字節(jié)的表示方法。

?

　　兩者的關(guān)系簡單說，就是UTF-16取代了UCS-2，或者說UCS-2整合進(jìn)了UTF-16。所以，現(xiàn)在只有UTF-16，沒有UCS-2。

　 ? JavaScript的誕生背景

　　那么，為什么JavaScript不選擇更高級的UTF-16，而用了已經(jīng)被淘汰的UCS-2呢？

　　答案很簡單：非不想也，是不能也。因?yàn)樵贘avaScript語言出現(xiàn)的時候，還沒有UTF-16編碼。

　　1995年5月，Brendan Eich用了10天設(shè)計(jì)了JavaScript語言；10月，第一個解釋引擎問世；次年11月，Netscape正式向ECMA提交語言標(biāo)準(zhǔn)（整個過程詳見《JavaScript誕生記》）。對比UTF-16的發(fā)布時間（1996年7月），就會明白Netscape公司那時沒有其他選擇，只有UCS-2一種編碼方法可用！

　　JavaScript字符函數(shù)的局限

　　由于JavaScript只能處理UCS-2編碼，造成所有字符在這門語言中都是2個字節(jié)，如果是4個字節(jié)的字符，會當(dāng)作兩個雙字節(jié)的字符處理。JavaScript的字符函數(shù)都受到這一點(diǎn)的影響，無法返回正確結(jié)果。

　　還是以字符為例，它的UTF-16編碼是4個字節(jié)的0xD834 DF06。問題就來了，4個字節(jié)的編碼不屬于UCS-2，JavaScript不認(rèn)識，只會把它看作單獨(dú)的兩個字符U+D834和U+DF06。前面說過，這兩個碼點(diǎn)是空的，所以JavaScript會認(rèn)為是兩個空字符組成的字符串！

　　上面代碼表示，JavaScript認(rèn)為字符的長度是2，取到的第一個字符是空字符，取到的第一個字符的碼點(diǎn)是0xDB34。這些結(jié)果都不正確！

　　解決這個問題，必須對碼點(diǎn)做一個判斷，然后手動調(diào)整。下面是正確的遍歷字符串的寫法。

　　while （++index 《 length） {

　　// 。。。

　　if （charCode 》= 0xD800 && charCode 《= 0xDBFF） {

　　output.push（character + string.charAt（++index））;

　　} else {

　　output.push（character）;

　　}

　　}

　　上面代碼表示，遍歷字符串的時候，必須對碼點(diǎn)做一個判斷，只要落在0xD800到0xDBFF的區(qū)間，就要連同后面2個字節(jié)一起讀取。

　　類似的問題存在于所有的JavaScript字符操作函數(shù)。

　　String.prototype.replace（）

　　String.prototype.substring（）

　　String.prototype.slice（）

　　。。。

　　上面的函數(shù)都只對2字節(jié)的碼點(diǎn)有效。要正確處理4字節(jié)的碼點(diǎn)，就必須逐一部署自己的版本，判斷一下當(dāng)前字符的碼點(diǎn)范圍。

　　ECMAScript 6

　　JavaScript的下一個版本ECMAScript 6（簡稱ES6），大幅增強(qiáng)了Unicode支持，基本上解決了這個問題。

　?。?）正確識別字符

　　ES6可以自動識別4字節(jié)的碼點(diǎn)。因此，遍歷字符串就簡單多了。

　　for （let s of string ） {

　　// 。。。

　　}

　　但是，為了保持兼容，length屬性還是原來的行為方式。為了得到字符串的正確長度，可以用下面的方式。

　　Array.from（string）.length

　　（2）碼點(diǎn)表示法

　　JavaScript允許直接用碼點(diǎn)表示Unicode字符，寫法是“反斜杠+u+碼點(diǎn)”。

　　‘好’ === ‘u597D’ // true

　　但是，這種表示法對4字節(jié)的碼點(diǎn)無效。ES6修正了這個問題，只要將碼點(diǎn)放在大括號內(nèi)，就能正確識別。

　　（3）字符串處理函數(shù)

　　ES6新增了幾個專門處理4字節(jié)碼點(diǎn)的函數(shù)。

　　String.fromCodePoint（）：從Unicode碼點(diǎn)返回對應(yīng)字符

　　String.prototype.codePointAt（）：從字符返回對應(yīng)的碼點(diǎn)

　　String.prototype.at（）：返回字符串給定位置的字符

　?。?）正則表達(dá)式

　　ES6提供了u修飾符，對正則表達(dá)式添加4字節(jié)碼點(diǎn)的支持。

　　（5）Unicode正規(guī)化

　　有些字符除了字母以外，還有附加符號。比如，漢語拼音的ǒ，字母上面的聲調(diào)就是附加符號。對于許多歐洲語言來說，聲調(diào)符號是非常重要的。

　　Unicode提供了兩種表示方法。一種是帶附加符號的單個字符，即一個碼點(diǎn)表示一個字符，比如ǒ的碼點(diǎn)是U+01D1；另一種是將附加符號單獨(dú)作為一個碼點(diǎn)，與主體字符復(fù)合顯示，即兩個碼點(diǎn)表示一個字符，比如ǒ可以寫成O（U+004F） + ˇ（U+030C）。

　　// 方法一

　　‘u01D1’

　　// ‘ǒ’

　　// 方法二

　　‘u004Fu030C’

　　// ‘ǒ’

　　這兩種表示方法，視覺和語義都完全一樣，理應(yīng)作為等同情況處理。但是，JavaScript無法辨別。

　　‘u01D1’===‘u004Fu030C’

　　//false

　　ES6提供了normalize方法，允許“Unicode正規(guī)化”，即將兩種方法轉(zhuǎn)為同樣的序列。

　　‘u01D1’.normalize（） === ‘u004Fu030C’.normalize（）

　　// true