关于JS中字符串的编码

字符编码

Unicode 作为字符编码的标准，它用码位（code point）来索引某个字符（全球统一标识符），字符编码用来标识码位，一个字符编码视为一个编码单元。在 JavaScript 里，字符串基于16位的字符编码（UTF-16，Unicode 的其中一种）来构建一个编码单元（以十或十六进制表示）。
前65535个字符编码称之为基本多文种平面字符（BMP，Basic multilingual plane），一个编码标识一个码位；当超出 BMP 的范围时就会用两个编码（代理对）来标识一个码位，称之为辅助平面字符。大部分字符都处在 BMP 范围内，另有一部分字符处在辅助平面内，这导致一些问题，比如“𠮷”这个汉字：

let str='𠮷';

//字符串的length属性是基于编码单元返回的长度
//因为不在 BMP 范围内，所以“𠮷”这个字符长度为2（两个16位编码）
str.length; //2
/^.$/.test(str); //false

str.charAt(0); //"�"
str.charAt(1); //"�"

得到真实的字符个数

由于 String.length 是用编码单元的数量来计算长度，所以当遇到如“𠮷”这样有两个编码单元的冷僻字时，字符个数的计算就会出现偏差。在 ES6 标准中，正则表达式的修饰符 /u 会将字符匹配模式从编码单元模式切换到字符模式，于是可以利用正则匹配来计算字符个数：

/^.$/u.test(str); //true
str.match(/./gu).length; //1 √

需要注意的是当 .match() 方法没有匹配到内容时，会返回 null，并且这种方法处理长字符串的开销较大。

获取十进制码位

//charCodeAt & codePointAt 的区别
str.charCodeAt(0); //55362
str.charCodeAt(1); //57271

str.codePointAt(0); //134071 √
str.codePointAt(1); //57271
134071..toString(16); //转为十六进制 0x20bb7

.charCodeAt() 和 .codePointAt() 方法都会获得字符编码的十进制值，不同的是 .codePointAt() 方法可以获得以 代理对 来标识的码位十进制值，也是最终指向该字符的完整字符编码的十进制值。

通过码位获取对应字符

//String.fromCharCode 对超出 BMP 范围的字符编码，无法正确取得对应字符
String.fromCharCode(134071); //"ஷ"
String.fromCharCode(55362); //"�"

//只有通过 String.fromCodePoint 才能得到
String.fromCodePoint(134071); //"𠮷" √
String.fromCodePoint(55362); //"�"

判断是否超过BMP范围

//通过分析 Unicode 可以判断是否超过BMP范围（16位上限FFFF，十进制就是65535）
console.log(str.codePointAt(0)>0xFFFF); //true

整句拆分

//简单用 .split() 方法会把字符按照编码拆分而不是字符，于是“𠮷”字被拆成两个乱码字符
console.log(str.split('')); //["�", "�"]

//可以为match方法的正则表达式添加修饰符u
console.log(str.match(/./gu)) //["𠮷"] √

//for...of 语句
let words=[];
for(let char of str){
  words.push(char);
}
console.log(words); //["𠮷"] √

字符编码的标准化

Unicode 序列有多种规则，在 ES6 中用 .normalize() 方法来统一字符串的序列（“NFC”、“NFD”、“NFKC”、“NFKD”），这影响到做诸如比较运算等操作的结果，比如下面这个排序操作：

let str='文字排序前做标准化处理𠮷cba',
    words=[];

for(let char of '文字排序前做标准化处理𠮷cba'){
  words.push(char);
}

words.sort((a,b)=>{
  let an=a.normalize(), //两者使用相同的标准，默认“NFC”
      bn=b.normalize();

  if(an<bn){
    return -1;
  }else if(an===bn){
    return 0;
  }else{
    return 1;
  }
});

console.log(words); //得到的是统一标准后的排序结果

REFS:
《深入理解ES6》2.字符串和正则表达式
Unicode等价性