Unicode 标记

原文链接：https://javascript.info/regexp-unicode，translate with ❤️ by zhangbao.

使用 Unicode 标记 /.../u 可以启用正则表达式对查找代理对的支持。

代理对在 字符串 一章里已经说过了。

在这里我们再简要的回忆下。简单说，正常一个字符使用 2 个字节编码，这样我们能获得最多 65535 个字符，但是后来有更多的字符出现了，用 2 个字节已经不够表示了。

所以，后来的字符使用了 4 个字节编码，像 𝒳（数学里的 X）或者😄（微笑）。

下面我们来比较下不同字符的 Unicode 码：

像 a 和 ≈ 这样的字符占据 2 个字节，其他字符占据 4 个字节。

Unicode 是这样做的，4字节的字符表示一个整体的含义。

过去 JavaScript 并不知道这个，所以现在许多的字符串方法是有问题的。例如，length 属性会认为有两个字符：

alert( '😄'.length ); // 2
alert( '𝒳'.length );// 2

但是我们看到的只有一个啊，关键是 length 属性只认 2 个字节表示的字符，因为这些字符用 4 个字节表示，所以被 length 属性认为有 2 个字符。这是不对的，他们是一个整体（称为”代理对”）。

正常情况下，正则表达式也把”长字符”当成是 2 个用 2 个字节表示的字符。

这会导致奇怪的结果，例如我们从字符串”𝒳“里查找 [𝒳𝒴]：

alert( '𝒳'.match(/[𝒳𝒴]/) ); // 奇怪的结果

结果是错误的，因为默认正则引擎并不理解代理对。它认为 [𝒳𝒴] 并不是两个字符，而是四个字符：𝒳 的左半部分(1)，𝒳 的右半部分(2)，𝒴 字符的左半部分(3)，𝒴 字符的右半部分(4)。

所以正则引擎在字符串 𝒳 中查找的是 𝒳 的左边一半，而不是整个符号。

换句话说，搜索类似 '12'.match(/[1234]/) —— 返回了 1（𝒳 的左边一半）。

/.../u 解决了这个问题，它启用了正则表达式查找代理对的能力，所以返回的结果是正确的：

alert( '𝒳'.match(/[𝒳𝒴]/u) ); // 𝒳

如果我们忘记这个标记的话，就会发生错误：

'𝒳'.match(/[𝒳-𝒴]/); // SyntaxError: invalid range in character class

这里的正则 [𝒳-𝒴] 可以看作 [12-34]（2 是 𝒳 的右半部分，3 是 𝒴 的左半部分）。2 和 3 之间所代表的范围并不是可接受的。

当然使用标记的话就解决了这个问题：

alert( '𝒴'.match(/[𝒳-𝒵]/u) ); // 𝒴

最后，让我们注意到，如果我们无需处理代理对的话，/.../u 标记对我们没有任何作用。但在现代社会，我们经常遇到他们。

（完）