String.normalize() 有什么意义？

Question

在回顾 JavaScript 概念时，我发现String.normalize(). 这并没有出现在 W3School 的“ JavaScript String Reference ”中，因此，这就是我之前可能错过的原因。

我在HackerRank中找到了更多有关它的信息，其中指出：

返回一个字符串，其中包含调用字符串值的 Unicode 规范化形式。

举个例子：

var s = "HackerRank";
console.log(s.normalize());
console.log(s.normalize("NFKC"));

具有作为输出：

HackerRank
HackerRank

另外，在GeeksForGeeks中：

string.normalize() 是 javascript 中的内置函数，用于返回给定输入字符串的 Unicode 规范化形式。

举个例子：

<script> 
  
  // Taking a string as input. 
  var a = "GeeksForGeeks"; 
    
  // calling normalize function. 
  b = a.normalize('NFC') 
  c = a.normalize('NFD') 
  d = a.normalize('NFKC') 
  e = a.normalize('NFKD') 
    
  // Printing normalised form. 
  document.write(b +"<br>"); 
  document.write(c +"<br>"); 
  document.write(d +"<br>"); 
  document.write(e); 
    
</script> 

具有作为输出：

GeeksForGeeks
GeeksForGeeks
GeeksForGeeks
GeeksForGeeks

也许给出的例子真的很糟糕，因为它们不允许我看到任何变化。

我想知道......这个方法有什么意义？

Answer 1

如MDN 文档中所述，String.prototype.normalize()返回字符串的 Unicode 规范化形式。这是因为在 Unicode 中，某些字符可以有不同的表示形式。

\n

这是示例（取自 MDN）：

\n

\r\n

\r\n

const name1 = \'\\u0041\\u006d\\u00e9\\u006c\\u0069\\u0065\';\nconst name2 = \'\\u0041\\u006d\\u0065\\u0301\\u006c\\u0069\\u0065\';\n\nconsole.log(`${name1}, ${name2}`);\n// expected output: "Am\xc3\xa9lie, Am\xc3\xa9lie"\nconsole.log(name1 === name2);\n// expected output: false\nconsole.log(name1.length === name2.length);\n// expected output: false\n\nconst name1NFC = name1.normalize(\'NFC\');\nconst name2NFC = name2.normalize(\'NFC\');\n\nconsole.log(`${name1NFC}, ${name2NFC}`);\n// expected output: "Am\xc3\xa9lie, Am\xc3\xa9lie"\nconsole.log(name1NFC === name2NFC);\n// expected output: true\nconsole.log(name1NFC.length === name2NFC.length);\n// expected output: true

\r\n

\r\n

\r\n

\n

正如您所看到的，字符串Am\xc3\xa9lie有两种不同的 Unicode 表示形式。通过规范化，我们可以将两种形式简化为同一个字符串。

\n

Answer 2

这取决于如何处理字符串：通常您不需要它（如果您只是从用户那里获取输入并将其传递给用户）。但要检查/搜索/用作密钥/等等。对于这样的字符串，您可能需要一种独特的方式来识别相同的字符串（从语义上来说）。

\n

主要问题是，您可能有两个语义相同的字符串，但具有两种不同的表示形式：例如，一个带有重音字符[一个代码点]，另一个带有与重音组合的字符[一个字符的代码点，一个字符用于组合重音]。用户可能无法控制输入文本的发送方式，因此您可能有两个不同的用户名或两个不同的密码。但如果你修改数据，你可能会得到不同的结果，具体取决于初始字符串。用户不喜欢它。

\n

另一个问题是关于组合字符的唯一顺序。您可能有重音和较低的尾部（例如变音符号）：您可以用几种组合来表达：“纯字符，尾部，重音”，“纯字符，重音，尾部”，“字符+尾部，重音”，“字符+重音符号，变音符号”。

\n

并且您可能会遇到退化情况（特别是如果您从键盘输入）：您可能会得到应该删除的代码点（您可能有一个无限长的字符串，它可能相当于几个字节。

\n

无论如何，为了对字符串进行排序，您（或您的库）需要标准化形式：如果您已经提供了正确的形式，则库将不需要再次转换它。

\n

所以：您希望相同的（从语义上讲）字符串具有相同的 unicode 代码点序列。

\n

注意：如果您直接在 UTF-8 上进行操作，您还应该关心 UTF-8 的特殊情况：相同的代码点可以用不同的方式编写[使用更多字节]。这也可能是一个安全问题。

\n

通常K用于“搜索”和类似任务：CO2 和 CO\xe2\x82\x82 将以相同的方式解释，但这可能会改变文本的含义，因此它通常应仅在内部用于临时任务，但保留原文。

\n