[!info] related notes JavaScript / TypeScript 字符串方法 JavaScript 字符串按字符拆分

JS 字符串与 Unicode：length、surrogate pair、正确拆分

1) length 统计的是什么

JavaScript 字符串底层是 UTF-16 编码单元序列。

所以 length 统计的是“编码单元数量”，不一定等于“用户看到的字符数”。

"A".length; // 1
"😊".length; // 2

原因：像 emoji 这类超出 BMP 的字符，会用两个 UTF-16 code unit（代理对 surrogate pair）表示。

2) charCodeAt vs codePointAt

• charCodeAt(i)：返回 UTF-16 code unit（0..65535）
• codePointAt(i)：返回 Unicode code point（更接近“字符”）

const s = "😊";
s.charCodeAt(0);   // 55357 (high surrogate)
s.charCodeAt(1);   // 56842 (low surrogate)
s.codePointAt(0);  // 128522

3) 怎么“按字符”拆分字符串

最常见误区：

• split('') 会把代理对拆开

推荐：

• Array.from(str) 或 [...str]（按字符串迭代器的码点产出，能处理大多数 surrogate pair）

更细节见：JavaScript 字符串按字符拆分。

4) 还有更复杂的“用户感知字符”

即使 [...str] 也不一定等于“用户看到的一个字符”，因为存在：

• 组合附加符号
• 旗帜/家庭 emoji（多个码点组合）

如果要按“grapheme cluster”分割，考虑 Intl.Segmenter。

const seg = new Intl.Segmenter("en", { granularity: "grapheme" });
const parts = Array.from(seg.segment("a🚀b"), (x) => x.segment);
// ["a", "🚀", "b"]