04 Unicode Sorting

7. 开发小技巧之:unicode的排序和正则匹配

简介

我们知道计算机最先兴起是在国外，出于当时计算机性能的考虑和外国常用字符的考虑，最开始计算机使用的是ASCII，ASCII编码能够表示的字符毕竟是有限的，随着计算机的发展和全世界范围的流行，需要更多的能够表示世界各地字符的编码方式，这种编码方式就是unicode。

当然在unicode出现之前，各个国家或者地区根据本国的字符需求都制定过本国的编码标准，当然这些编码标准都是本地化的，不适用于全世界，所以并没有得到普及。

今天我们来讨论一下unicode编码的字符进行排序和正则匹配的问题。

ASCII字符的排序

ASCII的全称叫做American Standard Code for Information Interchange，也就是美国信息交换标准代码，到目前为止，ASCII只有128个字符。这里不详细讨论ASCII字符的构成。感兴趣的同学可以查看我之前写的关于unicode的文章。

ASCII字符包含了26个字母，我们看下在javaScript中怎么对ASCII字符编码的：

const words = ['Boy', 'Apple', 'Bee', 'Cat', 'Dog'];
words.sort();
// [ 'Apple', 'Bee', 'Boy', 'Cat', 'Dog' ]

可以看到，这些字符是按照我们想要的字典的顺序进行排序的。

但是如果你将这些字符修改成中文，再进行排序，那么就得到的并不是我们想要的结果：

const words = ['爱', '我', '中', '华'];
words.sort();
// [ '中', '华', '我', '爱' ]

这是为什么呢？

其实默认的这种sort是将字符串转换成字节，然后按照字节进行字典顺序排序。如果是中文，那么并不会将其进行本地文字的转换。

本地字符的排序

既然使用ASCII字符不能对中文进行排序，那么我们其实是想将汉字转换为拼音，然后按照拼音字母的顺序来对其排序。

所以上面的”爱我中华“实际上是要比较”ai“、”wo“、”zhong“、”hua“ 这几个拼音的顺序。

有什么简单的方法来进行比较吗？

在一些浏览器中提供了Intl.Collator和String.prototype.localCompare两种方法来进行本地字符的比较。

比如我在chrome 91.0版本中：

使用Intl.Collator是可以得到结果的，而使用String.prototype.localCompare并不行。

再看下在firfox 89.0版本中：

结果和chrome是一致的。

下面是在nodejs v12.13.1版本的执行结果：

可以看到在nodejs中，并没有进行本地字符的转换和排序。

所以，上述的两个方法是和浏览器有关系的，也就是说和具体的实现是相关的。我们并不能完全对其信任。

所以，要给字符串进行排序是一件非常傻的事情！

为什么不使用unicode进行排序

那么为什么不使用unicode进行排序呢？

首先，对于普通用户来说，他们并不知道unicode，他们所需要的也就是将字符串转换为本地语言进行字典排序。

其次，即使使用本地字符进行排序也是非常困难的一件事情，因为浏览器需要对不同的语言进行本地化排序支持。这使得工作量变得巨大。

emoji的正则匹配

文章最后，我们来讲一下emoji的正则匹配问题。

emoji是一系列的表情，我们可以使用unicode来对其表示，但是emoji表情非常多，差不多有3521个，如果要对emoji进行正则匹配，我们需要写出下面的代码：

(?:\ud83e\uddd1\ud83c\udffb\u200d\u2764\ufe0f\u200d\ud83d\udc8b\u200d\ud83e\uddd1\ud83c\udffc|\ud83e\uddd1\ud83c\udffb\u200d\u2764\ufe0f\u200d\ud83d
[... 后面省略很多]

以一个图像来直观的看一下emoji表情有多少：

这么多的emoji，有没有简单的办法对其进行正则匹配呢？答案是有的。

早在ECMAScript的TC39提议里面，就已经把emoji的正则匹配加入了标准之中，我们可以使用{Emoji_Presentation}来表示。

\p{Emoji_Presentation}

是不是很简单？

总结

本文简单介绍了本地字符的排序规则和emoji表情的正则匹配。希望能够给大家在实际工作中带来帮助。