如何查找某個字符串是否具有unicode字符（特別是雙字節字符）

Question

更確切地說，我需要知道是否（以及如果可能的話）如何查找給定字符串是否具有雙字節字符。基本上，我需要打開一個彈出窗口來顯示給定的文本，其中可以包含雙字節字符，如中文或日文。在這種情況下，我們需要調整窗口大小，而不是英語或ASCII。 任何人都有線索？

Answer 1

JavaScript將內部文本保存爲UCS-2，它可以對Unicode的相當廣泛的子集進行編碼。

但這與您的問題並不緊密。一種解決方案可能是遍歷字符串，並在每個位置檢查字符代碼：

function isDoubleByte(str) { 
    for (var i = 0, n = str.length; i < n; i++) { 
     if (str.charCodeAt(i) > 255) { return true; } 
    } 
    return false; 
} 

這可能不是那麼快，你想。

Answer 2

爲什麼不讓窗口根據運行時高度/寬度調整自己的大小？

運行這樣的事情在彈出窗口：

window.resizeTo(document.body.clientWidth, document.body.clientHeight); 

Answer 3

其實，所有的字符都是Unicode，從Javascript引擎的角度來看，至少。

不幸的是，僅僅在特定Unicode範圍內出現字符將不足以確定您需要更多空間。有許多字符所佔的空間大小與Unicode碼位遠高於ASCII範圍的其他字符大致相同。排版引號，帶有變音符號的字符，某些標點符號以及各種貨幣符號不在低ASCII範圍內，並且分配在Unicode基本多語言平面上相當不同的位置。

一般來說，我曾經參與過的項目選擇爲所有語言提供額外空間，或者有時使用javascript來確定具有自動滾動條CSS屬性的窗口是否實際上具有會觸發滾動條的高度的內容。

如果檢測到CJK字符的存在或數量足以確定您需要多餘的空間，則可以使用以下範圍構造正則表達式： [\ u3300- \ u9fff \ uf900- \ ufaff]，並用它來提取匹配的字符數。 （這有些過於粗糙，並且錯過了所有非BMP的情況，可能排除了一些其他相關範圍，並且很可能包括一些不相關的字符，但這是一個起點）。因爲你真正想要的東西就像GDI的MeasureString（或任何其他文本渲染引擎的等價物）一樣，你只能夠管理一個粗略的啓發式方法，而沒有沿着全文渲染引擎的方向行事， 。我已經這麼做了一段時間，但我認爲最接近的HTML/DOM等價物是在div上設置寬度並請求高度（剪切和粘貼重用，如果包含錯誤，敬請諒解）：

o = document.getElementById("test"); 

document.defaultView.getComputedStyle(o,"").getPropertyValue("height")) 

Answer 4

我對這一個使用mikesamuel的答案。不過，我注意到也許是因爲這種形式，在u之前應該只有一個逃逸斜線， \u而不是\\u，以使其正常工作。

function containsNonLatinCodepoints(s) { 
    return /[^\u0000-\u00ff]/.test(s); 
} 

爲我工作:)

Answer 5

我已經在基準上回答這兩個功能，以爲我會分享成果。下面是測試代碼我使用：

const text1 = `The Chinese Wikipedia was established along with 12 other Wikipedias in May 2001. 中文維基百科的副標題是「海納百川，有容乃大」，這是中國的清朝政治家林則徐（1785年－1850年）於1839年為`; 

const regex = /[^\u0000-\u00ff]/; // Small performance gain from pre-compiling the regex 
function containsNonLatinCodepoints(s) { 
    return regex.test(s); 
} 

function isDoubleByte(str) { 
    for (var i = 0, n = str.length; i < n; i++) { 
     if (str.charCodeAt(i) > 255) { return true; } 
    } 
    return false; 
} 

function benchmark(fn, str) { 
    let startTime = new Date(); 
    for (let i = 0; i < 10000000; i++) { 
     fn(str); 
    } 
    let endTime = new Date(); 

    return endTime.getTime() - startTime.getTime(); 
} 

console.info('isDoubleByte => ' + benchmark(isDoubleByte, text1)); 
console.info('containsNonLatinCodepoints => ' + benchmark(containsNonLatinCodepoints, text1)); 

運行此我：

isDoubleByte => 2421 
containsNonLatinCodepoints => 868 

因此，對於這個特定字符串的正則表達式的解決方案快3倍左右。

但是請注意，對於第一個字符爲unicode的字符串，isDoubleByte()立即返回，因此比正則表達式（仍然具有正則表達式的開銷）快得多。

例如，對於字符串中國，我得到這些結果：

isDoubleByte => 51 
containsNonLatinCodepoints => 288 

爲了得到最好的兩個世界，它可能會更好，以兩者結合起來：

var regex = /[^\u0000-\u00ff]/; // Small performance gain from pre-compiling the regex 
function containsDoubleByte(str) { 
    if (!str.length) return false; 
    if (str.charCodeAt(0) > 255) return true; 
    return regex.test(str); 
} 

在這種情況下，如果第一個字符是中文（如果全文是中文的話很可能），功能會很快並且馬上返回。如果沒有，它將運行正則表達式，這比單獨檢查每個字符還要快。