- From: Kang-Hao (Kenny) Lu <kennyluck@w3.org>
- Date: Tue, 20 Sep 2011 17:40:07 +0800
- To: 中文HTML5同樂會ML <public-html-ig-zh@w3.org>
(11/06/17 16:18), Kang-Hao (Kenny) Lu wrote: > 花了不少時間多做了一點研究，分成兩篇，這篇講現象與實作。 > > 我也要對以下這個表達震驚： > > HTML5 規範裡表單的 maxlength 屬性有考慮到這個東西（請參考代碼點長 > 度（code-point length）的定義），而且 webkit 也實作出來了。 > 之前討論這個[1]問題講的時候著重在實作的部份，其實規範上有一點含糊的地 方，我也有回報這個部份[2]，因此來跟各位交流一下（順便炫耀一下 目前 HTML5 規範的翻譯進度 xd）。 [1] http://lists.w3.org/Archives/Public/public-html-ig-zh/2011Jun/0050 [2] http://www.w3.org/Bugs/Public/show_bug.cgi?id=13676 首先 maxlength 屬性的定義[3]那邊有提到「元素取值的代碼點（code point）長 度大於元素的最大容許取值長度」是它不過驗證的條件，而代碼點長度的定義[4] 是「字串有的 Unicode 代碼點的個數」，但是一個字串的代碼點長度其實在某些 情形下定義是很模糊的。 [3] http://www.w3.org/html/ig/zh/wiki/HTML5#attr-fe-maxlength [4] http://www.w3.org/html/ig/zh/wiki/HTML5#code-point-length 用幾個例子來討論： 1. <input maxlength="2" value="林𠂇" />（假人名） HTML5 用粗體（<dfn>）定義了很多內部使用的變數，很多地方沒有講這些變數是 32 位元還是 16 位元，不過在描述解析的部份似乎都假設各個字串變數是 32 位 元字串。所以上述的 HTML 不管原來的編碼是什麼，input 的「取值」[5]都是 32 位元的兩個字符／Unicode 代碼點，所以上述片段根據規範敘述應該符合驗證條件。 [5] http://www.w3.org/html/ig/zh/wiki/HTML5#concept-fe-value 2. input.maxLength = 2 的時候又有 input.value = "林𠂇" 這時候就麻煩了，因為基本上 ECMAScript 裡面的描述很少用到代碼點來定義行 為，而直接用 16 位元代碼單元（code unit）來定義 String.prototype.length 什麼的，事實各個 JS API（那些 IDL 定義框）裡面用的 DOMString 在 WebIDL（描述 DOM API 的語言，待翻 xd）下的定義[6]就是 16 位元的字串。所 以對於 .value 這個 IDL 屬性在設置[7]的時候，從 DOMString 到 input 元素的 「取值」其實有一個 16 位元字串到 32 位元字串的隱藏轉換（理論上的，因為事 實上實作全是用 16 位元），而這個隱藏轉換應該明確寫在規範裡。 [6] http://dev.w3.org/2006/webapi/WebIDL/#idl-DOMString [7] http://www.whatwg.org/specs/web-apps/current-work/multipage/common-input-element-attributes.html#dom-input-value-value （到這邊就沒翻譯了 T__T） 另一種方法是定義元素的「取值」為 16 位元字串，這雖然在應付 1. 不是很難 （解析串流的 32 位元字串要轉 16 位元字串就比較明顯是用 UTF-16），但是要 定義一個 16 位元字串的 Unicode 代碼點長度，就要確保以下這種畸形情形也有 明確定義： 3. input.maxLength = 2 的時候 input.value = "\ud840𠂇"（\ud840 是一個代 理代碼點（surrogate code point）） 而目前的規範沒有很明白的說「\ud840」究竟是算 1 個還是 0 個，其實我覺得連 「𠂇」都不能確定他的代碼點長度是算 1 而不是 2，畢竟代碼點是一個抽象概 念，不像代碼單位那麼具體。 所以我在[2]裡面提到了兩個規範的修正方法： 修正方法一：定義代碼點長度的句子「字串有的 Unicode 代碼點的個數」，應該 像 Java 的 String.codePointCount 的定義[8]一樣加上「1 個未配對的代理點算 1 個 Unicode 代碼點」（unpaired surrogates count as one Unicde code point each） [8] （似乎須翻牆）http://download.oracle.com/javase/1,5.0/docs/api/java /lang /String.html#codePointCount%28int,%20int%29 修正方法二：不要管「代碼點長度」是不是「代碼點」的「長度」，總之定義「代 碼點長度」為先透過[9]的演算法轉成不含代理點的 Unicode 字符串列，再計算它 的長度，這基本上也是把前述的「16 位元字串到 32 位元字串的隱藏轉換」寫下來。 [9] http://dev.w3.org/2006/webapi/WebIDL/#dfn-obtain-unicode 總得來說，我覺得規範最好把每個內用變數是 32 位元還是 16 位元講清楚比較 好...... 此致 呂 康豪（Kenny）, 中文興趣小組W3C連絡人 Google+: https://plus.google.com/112088462407783855918/posts 新浪微博: http://t.sina.com.cn/1950042164
Received on Tuesday, 20 September 2011 09:40:50 UTC