如何对包含高码点字符的字符串进行分块？

问题根源 #

你的问题核心在于JavaScript字符串的编码特性和正则表达式的默认行为：

• 码点1114111（0x10FFFF）是Unicode补充平面字符，在JS中会被编码为两个UTF-16代理对单元（0xD83F和0xDFFF），因此这个字符在字符串中占2个UTF-16编码位置。
• 正则表达式默认的.元字符仅匹配单个UTF-16单元，而非完整的Unicode码点。因此/.{2}/g会将3（1个UTF-16单元）与代理对的第一个单元组合成一组，代理对的第二个单元与9组合成另一组，最终得到错误的['3�', '�9']。

解决方案 #

给正则添加u修饰符，开启Unicode模式，此时.会匹配完整的Unicode码点（无论其占用多少个UTF-16单元）。修改后的代码如下：

"3􏿿97".match(/.{2}/gu)

执行后将得到期望结果：['3􏿿', '97']。

如果需要处理字符总数为奇数的场景，可以将正则调整为/.{1,2}/gu，这样最后一组会包含剩余的单个字符。

内容的提问来源于stack exchange，提问作者mbourd