javascript - 什么时候 JavaScript 字符可以占用 2 个代码单元，代码单元到底是什么？

Question

我今天读了:

The length property of a string counts the number of "code units" in a string. In the majority of cases, one character uses one code unit, but some of the rarely used characters take up two

请有人能确切地解释什么是“代码单元”，最好是深入的解释，以及我在哪里可以找到适合 2 类别的字符？如果您在某处知道的话，最好是表格资源!

非常感谢。

Answer 1

能用8位数据明确表示的字符很少，所以出现了将字符映射到多个字节的编码。与各种 Unicode 编码一样，一个字符可以是 1 个字节或一个序列中的多个字节。

因此，代码点是表示单个字符的一组 1 个或多个字节的术语。

字符 "世界" 以像 UTF-8 这样的编码为例，每个字符将占用多个字节，但 JavaScript 中的字符串将返回 .length 的 2。

var s = "世界";

document.querySelector("pre").textContent = "char | index | base-10 | binary\n"
document.querySelector("pre").textContent +="-------------------------------------\n"

for (var i=0; i < s.length; i++) {
  var cc = s.charCodeAt(i);
  document.querySelector("pre").textContent += 
         s[i] + "   |   " + i + "   |  " + cc + "  |  " + to_binary(cc) + "\n";
}

function to_binary(n) {
    return pad(n.toString(2)).replace(/(\d{8})/g, "$1 ");
}

function pad(s) {
  return ("0000000" + s).slice(-(s.length + (8-(s.length%8))));
}

<pre></pre>

因此您可以看到 .charCodeAt() 调用揭示了一个数字表示，它甚至无法接近适合 8 位数据。因此，字符由多个字节表示。