More than 3 years have passed since last update.

備忘録 Javascript 文字列のカウント(サロゲートペア)

Last updated at 2020-10-03Posted at 2020-09-19

知らなかったら、嵌ると思って備忘録として残しておきます。

先に結論としてコードを載せておきます。

var msg = "こんにちは";

console.log(msg.length);
//5

var msg2 = "𩸽";

console.log(msg2.length);
//2

単純に変数msg msg2の文字列を数えていますが、msgの「こんにちは」は５文字としっかりカウントできてます。
しかし、msg2の「𩸽」（ほっけと読みます）は１文字にも関わらず２文字としてカウントされてしまってます。

これは、𩸽という字がサロゲートペアとして扱われているからだそうです！

サロゲートペア

Unicode（UTF-16）は１文字を２バイトで表現していますが、Unicodeで扱う文字列が増えて65535文字では対応できないという事になったので、一部の文字を4バイトで表現する事で文字数を拡張したそうです。

lengthプロパティはサロゲートペアである文字列を識別できないので、4バイトの文字=２文字として文字数をカウントしていたので、msg2の結果が2となっています。

var msg2 = "𩸽";
var num = msg2.split(/[\uD800-\uDBFF][\uDC00-\uDFFF]/g).length -1;
console.log(num);
// 1
console.log(msg2.length - num);
//1