JavaScript字符串分割技巧

1. Intl.Segmenter 来救场
2. Word 的颗粒度带有一个额外的 isWordLike 属性
3. 使用 Intl.Segmenter 来分割 emojis

最近看到一个拆分字符串的新方式，就是使用Intl.Segmenter将 emoji 字符串分割成字形的方法。

我以前都没用过这个Intl对象，现在我们一起来看看。

假设你想把用户输入拆分成句子，看起来是一个简单的 split() 任务…但这个问题有很多细微之处。

'Hello! How are you?'.split(/[.!?]/);
// ['Hello', ' How are you', '']

使用 split() 会丢失定义的分隔符，并在所有地方包含这些空格。而且因为它依赖于硬编码的分隔符，所以对语言不敏感。

我不懂日语，但你会如何尝试将下面的字符串分割成单词或句子？

// I am a cat. My name is Tanuki.
'吾輩は猫である。名前はたぬき。'

普通的字符串方法在这里是没有用的，但是Intl JavaScript API 确能解决这个问题。

Intl.Segmenter 来救场

Intl.Segmenter 是一个 JavaScript 对象，用于对文本进行区域设置敏感的分段。它可以帮助我们从字符串中提取有意义的项目，如单词、句子或字形。它的使用方式类似于其他的构造函数，可以使用 new 关键字来创建一个 Intl.Segmenter 对象。

const segmenter = new Intl.Segmenter(locale, { granularity: "word" });

在上面的代码中，locale 是字符串，表示要使用的区域设置。granularity 是字符串，表示分段的粒度。它可以是 “grapheme”（字形）、”word”（单词）或 “sentence”（句子）之一。

Intl.Segmenter 有一个很有用的方法叫做 segment()，它可以将文本拆分为有意义的段。

const segments = segmenter.segment(text);

在上面的代码中，text 是要拆分的文本，segments 是返回的段的迭代器。你可以使用 for-of 循环来遍历段，或者使用 Array.from() 将它们转换为数组。

const text = "Hello, world! How are you today?";
const segmenter = new Intl.Segmenter("en-US", { granularity: "sentence" });
const segments = segmenter.segment(text);

for (const segment of segments) {
  console.log(segment);
}

// Output:
// { index: 0, value: "Hello, world!", breakType: "", breakIndex: 12 }
// { index: 13, value: "How are you today?", breakType: "", breakIndex: 31 }

Intl.Segmenter 对象还有其他一些有用的方法，比如 breakType，用于检索分段的类型（例如，句子的末尾是否包含句号）。另一个有用的方法是 breakType，用于检索分段的类型。

例如：

const text = "Hello, world! How are you today?";
const segmenter = new Intl.Segmenter("en-US", { granularity: "sentence" });
const segments = segmenter.segment(text);

for (const segment of segments) {
  console.log(segment.breakType);
}

// Output:
// "exclamation"
// "question"

Intl.Segmenter 还有一个很有用的静态方法叫做 supportedLocalesOf()，它可以帮助你确定浏览器是否支持特定的区域设置。

const supported = Intl.Segmenter.supportedLocalesOf(["en-US", "zh-CN"]);
console.log(supported);

// Output:
// ['en-US', 'zh-CN']

在上面的代码中，supported 数组包含浏览器支持的区域设置。

如果你想要对文本进行更细粒度的分段，你可以使用 Intl.ListFormat 对象。它可以帮助你将文本拆分为有意义的列表项。

使用方式类似于 Intl.Segmenter，你可以使用 new 关键字创建一个 Intl.ListFormat 对象。

const listFormat = new Intl.ListFormat(locale, { style: "long", type: "conjunction" });

在上面的代码中，locale 是字符串，表示要使用的区域设置。style 和 type 是对象的属性，用于指定列表格式。style 可以是 “long” 或 “short”，type 可以是 “conjunction”（并列）或 “disjunction”（或）。

Intl.ListFormat 有一个很有用的方法叫做 format()，它可以将数组转换为有意义的列表。

const list = ["apple", "banana", "orange"];
const formatted = listFormat.format(list);
console.log(formatted);

// Output:
// "apple, banana, and orange"

在上面的代码中，formatted 是转换后的列表字符串。

Word 的颗粒度带有一个额外的 isWordLike 属性

如果把一个字符串分割成单词，所有的片段都包括空格和换行符。使用isWordLike属性将它们过滤掉。

const segmenterDe = new Intl.Segmenter('de', {
  granularity: 'word'
});
const segmentsDe = segmenterDe.segment('Was geht ab?');

console.log([...segmentsDe]);
// [
//   { segment: 'Was', index: 0, input: 'Was geht ab?', isWordLike: true },
//   { segment: ' ', index: 3, input: 'Was geht ab?', isWordLike: false },
//   ...
// ]

console.log([...segmentsDe].filter(s => s.isWordLike));
// [
//   { segment: 'Was', index: 0, input: 'Was geht ab?', isWordLike: true},
//   { segment: 'geht', index: 4, input: 'Was geht ab?', isWordLike: true },
//   { segment: 'ab', index: 9, input: 'Was geht ab?', isWordLike: true }
// ]

上面通过isWordLike进行过滤会删除标点符号，如.、-、或？。

使用 Intl.Segmenter 来分割 emojis

如果你想把一个字符串分割成可视化的 emojis，Intl.Segmenter也是一个很好的帮助。

const emojis = '🫣🫵👨‍👨‍👦‍👦';

// ----
// Split by code units
console.log(emojis.split(''));
// ['uD83E', 'uDEE3', 'uD83E', 'uDEF5', 'uD83D', 'uDE48']

// ----
// Split by code points
console.log([...emojis]);
// ['🫣', '🫵', '👨', '‍', '👨', '‍', '👦', '‍', '👦']

// ----
// Split by graphemes
const segmenter = new Intl.Segmenter('en', {
  granularity: 'grapheme'
});
const segments = segmenter.segment(emojis);

console.log(Array.from(
  segmenter.segment(emojis),
  s => s.segment
));
// ['🫣', '🫵', '👨‍👨‍👦‍👦']

请注意，字形也包括空格和 “正常 “字符。