奇怪的重音长度为“é”字符串返回2

Question

我有一个奇怪的问题无法解释。我试图处理一个带重音符号的字符串，比如 "é"。这个字符串来自于一个输入文件类型中的图片名称。

我不理解的是，为什么当我试图遍历这个字符串时，其中的重音字符会被分成两个字符。以下是一个例子，以更好地理解：

我的字符 é 被分成了两个字符，如下所示：e & ́。

"é".length
=> 2

可能涉及到utf8编码?

我真的什么都不懂!

- hypee

---

你使用的是哪个浏览器？在我的Chrome中返回1。 - MD Sayem Ahmed

在某些罕见的情况下，可以用两个字符来编写这封信。我是在LaTeX的上下文中读到的。 - rekire

你的字符在Firefox上也返回1。 - Kevin Ji

Answer 1

他们被称为组合变音符号。它们是Unicode的一部分......可以在任何字符上“链接”的一些可组合变音符号。显然，在这种情况下，字符串的长度为2（因为有e和'）。像àéèìòù这样的预组合字符已被保留以实现兼容性，但现在任何字符都可以加重音符:-) 显然，99％的程序员不知道它，而99.9％的程序对其支持非常差。我相当确定它们可以在某个地方用作攻击向量（但我不是偏执狂 :-)）

我甚至要补充说，即使是Skeet在2009年也不确定它们是如何工作的：http://codeblog.jonskeet.uk/2009/11/02/omg-ponies-aka-humanity-epic-fail/

你看，我记不清组合字符是在基本字符之前还是之后

:-) :-)

- xanatos

---

谢谢你的解释，但是为什么我在Chrome控制台中得到了1？ - MD Sayem Ahmed

@SayemAhmed 因为在某个步骤中，您可能已经强制重新组合了 e + ' in a è :-) 请尝试使用 "e\u0301"; (new line) "e\u0301".length - xanatos

@xanator：明白了，谢谢。我之前只是从问题中复制了"é".length部分并将其粘贴到我的控制台上。 - MD Sayem Ahmed

@SayemAhmed：帖子中的OP的“é”实际上只是组合字母。 - kennytm

请注意，您可以将多个变音符号放置在单个字符的顶部，例如ẫ。 - xanatos

Answer 2

与UTF-8不同，更可能涉及组合变音符号。

>>> "e\u0301"
"é"
>>> "e\u0301".length
2

Javascript字符串通常编码为UTF-16，因此它可以在一个代码单元中包含整个字符“é”(U+00e9)。

---

但超出BMP范围的字符(那些代码点超过U+FFFF的字符)将返回2，因为它们被编码成2个UTF-16代码单元。

>>> "".length
2

- kennytm

---

关于此，请参见wikipedia。 - rekire

为了让问题提问者更加清楚，第二部分（关于BMP的部分）与组合变音符号是正交的。它们是不同的独立事物。Unicode的每个代码点都可以用一个JavaScript字符或两个JavaScript字符来表示。在此基础上，您可以"挂载"组合变音符号（0...n，其中n相当大），以便渲染的字形可以由1-x个JavaScript字符组成，其中x>10 :-) 啊啊...我想要表达得清楚，结果变成了5行！ :-( - xanatos