揭秘 JS 中的字符、代码单元和码点

在 JavaScript 中，字符串是基本的数据类型之一，它可以表示一系列字符。但是，字符串的内部表示形式却并不像我们想象的那么简单。在 JavaScript 中，字符串实际上是采用 UTF-16 编码的，这意味着字符串本质上是由一个个 16 位值（16-bits values）组成的序列。这些 16 位值被称为“代码单元”（code units），而字符串中的每个“元素”从技术上将不是一个“字符”，而是一个“代码单元”。

为什么 JavaScript 要使用 UTF-16 编码呢？这是因为 UTF-16 编码能够表示世界上绝大多数的字符，包括各种语言的字母、数字、符号等。UTF-16 编码的范围非常广，它可以表示超过 100 万个字符。

那么，代码单元和字符之间有什么区别呢？代码单元是字符串的内部表示形式，而字符是字符串的外部表示形式。代码单元是一个 16 位的值，而字符是一个人类可读的符号。例如，字母 “A” 的代码单元是 0x0041，而字母 “A” 的字符是 “A”。

在大多数情况下，代码单元和字符是一一对应的。也就是说，一个代码单元对应一个字符。但是，也有一些例外情况。例如，某些字符可能需要两个代码单元来表示。这些字符被称为“代理对”（surrogate pairs）。代理对的第一个代码单元称为“高代理”（high surrogate），第二个代码单元称为“低代理”（low surrogate）。

// 创建一个字符串
const str = "Hello, world!";

// 获取字符串的长度
const length = str.length;

// 遍历字符串中的每个字符
for (let i = 0; i < length; i++) {

  // 获取当前字符的代码单元
  const codeUnit = str.charCodeAt(i);

  // 获取当前字符
  const char = str.charAt(i);

  // 打印当前字符的代码单元和字符
  console.log(`代码单元：${codeUnit}, 字符：${char}`);
}

上面这段代码创建了一个字符串，然后获取字符串的长度。接下来，代码使用 charCodeAt() 方法获取字符串中每个字符的代码单元，并使用 charAt() 方法获取字符串中每个字符。最后，代码将每个字符的代码单元和字符打印到控制台。

输出结果如下：

代码单元：72, 字符：H
代码单元：101, 字符：e
代码单元：108, 字符：l
代码单元：108, 字符：l
代码单元：111, 字符：o
代码单元：44, 字符：,
代码单元：32, 字符： 
代码单元：119, 字符：w
代码单元：111, 字符：o
代码单元：114, 字符：r
代码单元：108, 字符：l
代码单元：100, 字符：d
代码单元：33, 字符：!

从输出结果中我们可以看到，代码单元和字符是一一对应的。但是，需要注意的是，某些字符可能需要两个代码单元来表示。例如，中文汉字“中”的代码单元是 0x4e2d，而中文汉字“国”的代码单元是 0x56fd。

理解代码单元和字符之间的区别非常重要，因为这有助于我们更好地理解 JavaScript 中的字符串处理。例如，当我们使用 charCodeAt() 方法获取字符串中某个字符的代码单元时，我们需要知道该字符是否需要两个代码单元来表示。如果需要，我们需要使用两个 charCodeAt() 方法来获取该字符的代码单元。

此外，理解代码单元和字符之间的区别也有助于我们更好地理解 JavaScript 中的正则表达式。正则表达式是一种用于匹配字符串的模式。正则表达式中的某些元字符，例如 \w 和 \d，是根据代码单元来匹配字符的。因此，我们需要知道代码单元和字符之间的区别，才能正确地使用正则表达式。