JavaScript 與 Unicode 規則表示式

JavaScript 沒有字元型態，撰寫程式碼時，以單引號或雙引號來包括單一 Unicode 字元，也是字串型態。JavaScript 在 1995 創建之時，UTF-16 尚未公佈，只能採用 UCS-2，使用兩個位元組為當時字元集的字元編碼，後來支援 UTF-16，以便能處理 U+0000 至 U+FFFF 以外的字元。

字串的元素

為了解決輸入法無法直接鍵入這類字元的問題，JavaScript 以字元在 UTF-16 編碼時的高低位元組來表示，也就是使用兩個碼元，例如高音譜記號的 Unicode 碼點為 U+1D11E，無法直接使用既有的 \uhhhh 來表示，在 ES5 或早期版本，字串必須撰寫為 '\uD834\uDD1E' 來表示，這稱為稱作代理對（Surrogate pair）。

在 ES6，增加了 \u{…} 表示法，可以直接撰寫 '\u{1D11E}'，以碼點來表示高音譜記號，現今兩種表示法可以並存，例如：

> '\uD834\uDD1E' === '\u{1D11E}'
true
>

必須留意的是，因為 JavaScript 最初採用 UCS-2，對於原本就存在的 API 或索引，在處理字串時是以碼元為處理單位，支援 UTF-16 後為了兼顧相容性，ECMAScript 規定使用 UTF-16 碼元作為字串的元素（Element）單位 ，而不是把 Unicode 字元作為字串的一個元素。

Unicode 模式

從 ES6 開始，規則表示式啟用 u 旗標，代表著啟用 Unicode 模式，目的之一是支援 \u{…} 的寫法；例如，ES6 以後 '\uD834\uDD1E' 可以使用 '\u{1D11E}' 來表示；然而，若要在規則表示式使用 \u{…}，必須開啟 u 旗標：

> 'Treble clef: \uD834\uDD1E'.search(/\u{1D11E}/)
-1
> 'Treble clef: \uD834\uDD1E'.search(/\u{1D11E}/u)
13
> 

在啟用 Unicode 模式的情況下，既有的 \uhhhh 寫法就是指定「碼點」（而不是碼元），也就是說，若 \uhhhh 指定的碼點處，實際上沒有定義 Unicode 字元，就不會比對成功。例如：

> let trebleClef = '\u{1D11E}'
undefined
> /\uD834/.test(trebleClef)
true
> /\uD834/u.test(trebleClef)
false
>

在沒有開啟 u 旗標的情況下，test 方法會在字串索引 0 處找到相符的碼元；然而，在開啟 Unicode 模式後，\uD834 就是指 Unicode 碼點 U+D834，然而該碼點處未定義字元，test 就因搜尋失敗而傳回 false。

啟用 Unicode 模式後，對於 0xFFFF 以外的字元，才會進行正確的辨識，這會影響預定義字元類、量詞等的判斷。

例如，未啟用 Unicode 模式前，預定義字元類 \S 表示非空白字元，然而，對 0xFFFF 以外的字元會誤判，只有在加上 u 旗標的情況下才會正確比對；類似地，\W、「.」也只有在啟用 Unicode 模式下，才能正確比對 0xFFFF 以外的字元：

> /^\S$/.test('\u{1D11E}')
false
> /^\S$/u.test('\u{1D11E}')
true
> /^\W$/.test('\u{1D11E}')
false
> /^\W$/u.test('\u{1D11E}')
true
> /^.$/.test('\u{1D11E}')
false
> /^.$/u.test('\u{1D11E}')
true
>

Unicode 特性轉譯

ES9 以後支援規則表示式的 Unicode 特性轉譯（Unicode property escapes），為了能運用這個新功能，必須認識 Unicode 規範中的分類（Category）、文字（Script）。

在 Unicode 的規範中，每個 Unicode 字元會隸屬於某個分類，在〈General Category Property〉中可以看到 Letter、Uppercase Letter 等一般分類，每個分類也給予了 L、Lu 等縮寫名稱。

舉例來說，隸屬於 Letter 分類的字元都是字母，a 到 z、A 到 Z、全形的 ａ 到 ｚ、Ａ 到 Ｚ 都在 Letter 分類中，除了英文字母之外，其他如希臘字母 α、β、γ 等，也都隸屬於 Letter 分類。

ES9 以後若使用 u 旗標開啟 Unicode 模式，可以使用 \p{General_Category=Letter}、\p{gc=Letter}、\p{Letter}、\p{L} 等方式來指定分類，若分類名稱有兩個字，要使用 _ 相連，這樣在使用規則表示式判斷字母、數字等，就非常方便了。例如：

> /\p{General_Category=Letter}/u.test('α')
true
> /\p{gc=Letter}/u.test('α')
true
> /\p{Uppercase_Letter}/u.test('α')
false
> /\p{Ll}/u.test('α')
true
> /\p{Number}/u.test('1')
true
> /\p{Number}/u.test('１')
true

\p{…} 的相反就是 \P{…}：

> /\p{Number}/u.test('１')
true
> /\P{Number}/u.test('１')
false
>

來個有趣的測試吧！𝟏𝟐𝟑𝟜𝟝𝟞𝟩𝟪𝟫𝟬𝟭𝟮𝟯𝟺𝟻𝟼 都是十進位數字：

> /^\p{Decimal_Number}+$/u.test('𝟏𝟐𝟑𝟜𝟝𝟞𝟩𝟪𝟫𝟬𝟭𝟮𝟯𝟺𝟻𝟼')
true
>

數字呢？²³¹¼½¾𝟏𝟐𝟑𝟜𝟝𝟞𝟩𝟪𝟫𝟬𝟭𝟮𝟯𝟺𝟻𝟼㉛㉜㉝ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫⅬⅭⅮⅯⅰⅱⅲⅳⅴⅵⅶⅷⅸⅹⅺⅻⅼⅽⅾⅿ都是：

> /^\p{Number}+$/u.test('²³¹¼½¾𝟏𝟐𝟑𝟜𝟏𝟐𝟑𝟜���𝟪𝟫𝟬𝟭𝟮㉛㉛㉜㉜㉝㉝ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫⅬⅭⅮⅯⅰⅱⅲⅳⅴⅵⅶⅷⅸⅹⅺⅻⅼⅽⅾⅿ')
true
>

Unicode 將希臘文、漢字等組織為文字（Script）特性，可參考〈UNICODE SCRIPT PROPERTY〉，例如，如果想在規則表示式中以文字特性比對，可以使用 \p{Script=Greek}、\p{Script_Extensions=Greek}、\p{sc=Han}、\p{scx=Han} 的寫法（Han 包含了正體中文、簡體中文，以及日、韓、越南文的全部漢字）。例如：

> /\p{Script=Greek}/u.test('a')
false
> /\p{Script_Extensions=Greek}/u.test('α')
true
> /\p{sc=Greek}/u.test('α')
true
> /\p{sc=Han}/u.test('林')
true
>

另外還有一些二元特性，像是 ASCII、Alphabetic、Lowercase、Emoji 等，直接寫在 \p{..} 裏就可以了。例如：

> /\p{Emoji}/u.test('😃')
true
>

如果想取得 \p{..} 中可以使用的特性名稱等清單，可以查閱 ECMAScript 規格書〈UnicodeMatchProperty〉與〈UnicodeMatchPropertyValue〉內容。