Skip to content

Instantly share code, notes, and snippets.

Embed
What would you like to do?
JavaScript で文字数、UTF-8 でのバイト数、サロゲートペアの数を数える
<!DOCTYPE html>
<html>
<!--
* Copyright (C) 2013 Neo Visionaries Inc.
*
* Licensed under the Apache License, Version 2.0 (the "License");
* you may not use this file except in compliance with the License.
* You may obtain a copy of the License at
*
* http://www.apache.org/licenses/LICENSE-2.0
*
* Unless required by applicable law or agreed to in writing, software
* distributed under the License is distributed on an "AS IS" BASIS,
* WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
* See the License for the specific language governing permissions and
* limitations under the License.
-->
<head>
<meta http-equiv="Content-Type" value="text/html;charset=UTF-8"/>
<meta name="author" content="Takahiko Kawasaki">
<title>JavaScript で文字数、UTF-8 でのバイト数、サロゲートペアの数を数える</title>
<script type="text/javascript">
function compute_bytes_in_utf8(codePoint)
{
// Unicode のコードポイントと、それを UTF-16BE で符号化した
// ときの値は等しい。ただし、U+FFFF 以上のコードポイントは除く。
if (codePoint <= 0x007F)
{
// U+0000 - U+007F: UTF-8 で 1 バイト
return 1;
}
else if (codePoint <= 0x07FF)
{
// U+0080 - U+07FF: UTF-8 で 2 バイト
return 2;
}
else if (codePoint <= 0xD7FF)
{
// U+0800 - U+D7FF: UTF-8 で 3 バイト
return 3;
}
else if (codePoint <= 0xDFFF)
{
// 0xD800 - 0xDBFF: 上位サロゲート
// 0xDC00 - 0xDFFF: 下位サロゲート
//
// サロゲートペアで表現される範囲は U+10000 ~ U+10FFFF で、
// この範囲の文字は UTF-8 で符号化したとき 4 バイトとなる。
// ちょうどいい具合に、4 は 2 で割り切れる (ここで 2 とは、
// 上位サロゲート一つと下位サロゲート合わせて二つという意味)。
// そのため、この実装でここで 2 (= 4 / 2) を返す。
return 2;
}
else if (codePoint <= 0xFFFF)
{
// U+E000 - U+FFFF: UTF-8 で 3 バイト
return 3;
}
else
{
// U+10000 - ...: UTF-16 ではここには来ない。
return 0;
}
}
function count_up()
{
// 入力と出力に用いる HTML 要素
var input = document.getElementById("input").value;
var outputLetters = document.getElementById("outputLetters");
var outputBytes = document.getElementById("outputBytes")
var outputPairs = document.getElementById("outputPairs")
// 文字数、UTF-8 でのバイト数、サロゲートペア数のカウンター
var nLetters = 0;
var nBytes = 0;
var nPairs = 0;
// 入力文字列に含まれる各コードポイントごとに
for (var i = 0; i < input.length; ++i)
{
// その位置にある文字のコードポイントを取得する。
//
// charCodeAt() は常に 65,536 より小さい値を返す。より大きい
// コードポイント (= U+10000 以上) は、サロゲートペアを用いて
// 表現される。
var codePoint = input.charCodeAt(i);
// 下位サロゲートの範囲でなければ
if (codePoint <= 0xDBFF || 0xE000 <= codePoint)
{
// 文字数を数える
++nLetters;
}
// 上位サロゲートの範囲ならば
if (0xD800 <= codePoint && codePoint <= 0xDBFF)
{
// サロゲートペア数を数える
++nPairs;
}
// UTF-8 で符号化したときのバイト数を計算する。
nBytes += compute_bytes_in_utf8(codePoint);
}
// 結果を書く
outputLetters.innerHTML = nLetters;
outputBytes.innerHTML = nBytes;
outputPairs.innerHTML = nPairs;
}
</script>
<body>
<!-- 入力 -->
<input id="input" type="text" onInput="count_up()"><br/><br/>
<!-- 出力: 文字数 -->
文字数: <span id="outputLetters">0</span><br/>
<!-- 出力: UTF-8 でのバイト数 -->
UTF-8 でのバイト数: <span id="outputBytes">0</span><br/>
<!-- 出力: サロゲートペアの数 -->
サロゲートペアの数: <span id="outputPairs">0</span><br/>
</body>
</html>
Sign up for free to join this conversation on GitHub. Already have an account? Sign in to comment
You can’t perform that action at this time.