unicode长度是可变的。除了code unit的长度可变之外，unicode另外一个可变的特性，即组成同一个字符的code unit组合也是可变的。而区分String和NSString的一个重要方式，就是它们对unicode的这个特性的处理方式，是不同的。为了理解这个事情，我们从unicode grapheme clusters说起。
Unicode grapheme clusters
首先，我们定义一个字符串：
let cafe = "Caf\u{00e9}"
对于单词Café中的最后一个字符来说，它的unicode scalar是U+00E9，名字是LATIN SMALL LETTER E WITH ACUTE。每一个unicode都有一个scalar值以及一个全大写字母表示的名称。
为了表示这个字符é，除了使用它的unicode scalar外，我们可以用两个其它的unicode字符拼起来：
- 英文字母
e，它的unicode scalar是U0065，name是LATIN SMALL LETTER E； - 声调字符
'，它的unicode scalar是U0301，name是COMBINING ACUTE ACCENT；
当我们把这两个字符像下面这样组合起来的时候：
let cafee = "Caf\u{0065}\u{0301}"
StringInSwift
尽管cafee的定义中貌似有5个字符，但实际显示出来的最后一个字符和之前用unicode scalar定义是一样的。我们管\u{0065}\u{0301}就叫做grapheme cluster。
既然同一个unicode字符可以有多种表现形式，那么由不同code unit构成的字符串相等么？对此，Swift中的String和Objective-C中的NSString处理方式却是有差别的，这种差别，是区分它们最明显的地方之一。
Canonically equivalent
为了能识别上面cafe和cafee的情况，unicode规范中提出了一个概念：canonically equivalent。如何理解它呢？我们先来看Swift是如何识别cafe和cafee的。
Swift String
当我们要读取一个字符串中所有的字符时，可以访问String对象的characters属性：
StringInSwift
尽管cafee中最后一个字符的定义使用了两个code unit，Swift可以识别的Character中字符的个数也是4。
但是，当我们查看cafe和cafee的UTF-8和UTF-16编码的个数时，就能看到它们的区别了：
cafe.utf8.count
cafee.utf8.count
cafe.utf16.count
cafee.utf16.count
StringInSwift
为什么会这样呢？我们用UTF-8编码举例：
对于cafe来说，é的UTF-8编码是C3 A9，加上前面Caf的编码是43 61 66，因此cafe的UTF-8编码个数是5；
对于cafee来说，声调字符'的UTF-8编码是CC 81，加上前面Cafe的UTF-8编码是43 61 66 65，因此是6个，它相当于Cafe'；
理解了之后，你可以自己去推算一下UTF-16的情况。
尽管cafe和cafee的编码方式不同，当我们在Swift中，比较cafe和cafee时，结果会是true：
cafe == cafee
StringInSwift
这就是unicode canonically equivalent的含义，通过这些例子，你也能更好的了解到Swift在unicode表意正确上作出的努力。
NSString
而当我们把这些例子用在NSString上，情况就会有些不同。用同样的code unit定义下面两个NSString对象：
let nsCafe =
NSString(characters: [0x43, 0x61, 0x66, 0xe9], length: 4)
nsCafe.length
let nsCafee =
NSString(characters: [0x43, 0x61, 0x66, 0x65, 0x0301], length: 5)
nsCafee.length
StringInSwift
从图中可以看到，同样是使用不同的code unit构建字符串"Café"，在NSString看来，它们是长度不同的两个字符串。
因此，当我们比较nsCafe和nsCafee的时候，结果也是没有意外的false：
nsCafe == nsCafee
StringInSwift
因此，==对NSString来说，并没有执行canonically equivalent的语义。为了在不同的NSString对象之间进行语义比较，我们只能这样：
let result = nsCafe.compare(nsCafee as String)
result == ComparisonResult.orderedSame
StringInSwift
从图中可以看到，这样就能按照canonically equivalent的方式判断相等了。
对于NSString Utf-8和Unt-16编码同一个字符串可能长度不同，那么比较结果一定不相等。对于String Utf-8和Unt-16编码同一个字符串可能长度不同。但是如果字面上看起来是一样的，那么比较结果就是一样的。（更加符合人的感觉，而不是编码方式判断）。
Unicode 9.0?
除了用两个code unit组合来实现一个字符之外，我们还可以使用多个code unit组合成一个“字符”，例如：
给é外围再套个圈：
let circleCafee = cafee + "\u{20dd}"
circleCafee.characters.count
StringInSwift
可以看到，尽管我们用3个code unit拼接了一个奇怪的字符，circleCafee的字符个数，仍旧是4。
至此，事情看似一切正常。基于表达语意的计算方式也很符合人们的直觉。但事情并没有我们想象的这么简单，如果你挖掘一些emoji，就会发现一些有趣的现象：
StringInSwift
一个亚洲姑娘的字符数是2，而一群小伙伴的字符个数是4。为什么会这样呢？其实它们和字符é构成的原理是类似的。都是通过多个code unit组合而成的字符。但是，它们的字符计算方式却和我们之前看到的不太一样。
你可以把4个小伙伴单独的字符都找出来，然后用\u{200d}把它们粘合起来，在Swift中就会看到，它们是相等的：
StringInSwift
甚至，如果你把中国和美国的国旗定义成一个字符串，然后统计字符串中字符个数的时候，好像Swift都不会在意后者的存在（LoL）：
StringInSwift
因此，拼接字符é在语义上表达的一致性之外，后面我们举的这些例子，都是既有的unicode编码方式中还需要解决问题。在2016年6月更新的Unicode 9.0中，对于grapheme cluster的边界问题作出了修正，相信Swift 3在不久也会对上面的问题作出调整。
网友评论