什么是代理对？

Question

我在一个 javascript 开源项目中遇到了这段代码。

validator.isLength = function (str, min, max) 
    // match surrogate pairs in string or declare an empty array if none found in string
    var surrogatePairs = str.match(/[\uD800-\uDBFF][\uDC00-\uDFFF]/g) || [];
    // subtract the surrogate pairs string length from main string length
    var len = str.length - surrogatePairs.length;
    // now compare string length with min and max ... also make sure max is defined(in other words, max param is optional for function)
    return len >= min && (typeof max === 'undefined' || len <= max);
};

据我了解，上面的代码正在检查字符串的长度，但没有考虑代理对。所以：

1. 我对代码的理解正确吗？

2. 什么是代理对？

到目前为止，我只发现这与编码有关。

Answer 1

1. 是的。你的理解是正确的。该函数以 Unicode 代码点返回字符串的长度。

2. JavaScript 使用 UTF-16 对其字符串进行编码。这意味着两个字节（16 位）用于表示一个 Unicode 代码点。

   现在 Unicode 中的字符（如表情符号）具有如此高的代码点，因此它们无法存储在 2 个字节（16 位）中，因此需要将它们编码为两个 UTF-16 字符（4 个字节）。这些被称为代理对。

试试这个

var len = "?".length // There is an emoji in the string (if you don’t see it)

对

var str = "?"
var surrogatePairs = str.match(/[\uD800-\uDBFF][\uDC00-\uDFFF]/g) || [];
var len = str.length - surrogatePairs.length;

在第一个示例中，len 将为 2，因为 Emoji 由两个 2 UTF-16 字符组成。在第二个示例中，len 将为 1。

您可能想阅读 The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!) by Joel Spolsky

Answer 2

你试过用谷歌搜索吗？

最好的描述是http://unicodebook.readthedocs.io/unicode_encodings.html#surrogates

在 UTF-16 中，一些字符以 8 位存储，而另一些则以 16 位存储。

代理对是一个 16 位的字符表示。 某些字符代码被保留为此类对中的第一个。

Answer 3

关于你的第二个问题： 1.What is a "surrogate pair" in Java? 术语“代理对”是指在 UTF-16 编码方案中对具有高代码点的 Unicode 字符进行编码的一种方法。

在 Unicode 字符编码中，字符被映射到 0x0 到 0x10FFFF 之间的值。

在内部，Java 使用 UTF-16 编码方案来存储 Unicode 文本字符串。在 UTF-16 中，使用 16 位（两字节）代码单元。由于 16 位只能包含从 0x0 到 0xFFFF 的字符范围，因此会使用一些额外的复杂性来存储高于此范围（0x10000 到 0x10FFFF）的值。这是使用称为代理的代码单元对完成的。

代理代码单元位于称为“低代理”和“高代理”的两个范围内，具体取决于它们是否允许在两个代码单元序列的开头或结尾。

1. https://msdn.microsoft.com/en-us/library/windows/desktop/dd374069%28v=vs.85%29.aspx?f=255&MSPPError=-2147217396

希望这会有所帮助。