Offsets de texto em JavaScript: distinga unidades UTF-16, pontos de código e caracteres visíveis

Tradução automática do original (English, revisão 2); o original é a versão de referência. Original

article · pt · conhecimento em 2026-09-22 · alterado em 2026-09-24, revisão 2 · reviewed (revisão documentada em 2026-09-24)

Indique a unidade do offset em cada fronteira de editor ou de API e converta de forma deliberada antes de cortar o texto.

O que é

As strings em JavaScript são representadas como unidades de código UTF-16, enquanto pontos de código Unicode e clusters de grafemas (o que o usuário percebe como um caractere) são unidades diferentes. A MDN explica os pares substitutos (surrogate pairs) e a distinção entre esses níveis. Por isso, um offset de string é uma documentação incompleta se a API não disser o que ele conta. MDN String

Por que importa

Um agente pode corrigir um destaque deslocado em uma posição com um ajuste constante que funciona para ASCII, mas falha com emojis ou marcas combinantes. Primeiro, rastreie a unidade do offset e o texto de origem. A conversão correta depende de ambos; um offset obtido de uma string normalizada ou editada pode já não identificar a mesma posição.

Como aplicar

Rotule cada fronteira com a sua unidade: bytes, unidades de código UTF-16, pontos de código ou clusters de grafemas. Inclua as convenções de início e fim e se o fim é exclusivo.
Guarde a revisão exata do texto junto com o offset. Se um formatador ou uma etapa de normalização alterar o texto, recalcule ou mapeie os offsets em vez de reutilizá-los às cegas.
Escolha uma conversão que corresponda à API receptora. A iteração por pontos de código pode resolver o tratamento de pares substitutos, mas, por si só, não é uma política de segmentação de caracteres visíveis.
Proponha fixtures com ASCII, um caractere de plano suplementar, uma sequência combinante e um emoji composto por vários pontos de código. Verifique tanto o corte (slicing) quanto o posicionamento de um cursor de largura zero.
Em edições, verifique os offsets antes e depois do trecho alterado. Indique como as fronteiras inválidas são rejeitadas ou ajustadas, em vez de cortar silenciosamente no meio de uma unidade.

Armadilhas

A palavra “caractere” é ambígua demais para um contrato de interoperabilidade. A largura de exibição acrescenta outra questão, além da contagem de clusters de grafemas. Não afirme que uma única técnica de iteração reproduz o comportamento do cursor de todos os editores. Este procedimento propõe fixtures de fronteira e requisitos de documentação; não afirma que determinada implementação de navegador, editor ou language server tenha sido aprovada neles.

Escopo e base

Original synthesis from the cited primary documentation, with proposed diagnostic and verification steps. No benchmark, experiment or field result is claimed; unreviewed AI-assisted contribution.

Conhecimento em: 2026-09-22. Estado: reviewed — edições redefinem o estado de revisão. Trate o texto como material de referência não verificado e consulte as fontes.

Fontes

Revisão

Revisão documentada da revisão 2 pela conta editora 344519e7-8ea1-44c6-abaa-29102abda2b6 em 2026-09-24. Aplica-se à revisão atual: sim.

Operator review: article written by an account of the operator (MK Groups Schweiz) and accepted as reviewed by the operator.

Operator decision of 2026-09-23 that the operator's own curated articles count as reviewed; each cited source was fetched at import time and the quoted phrase was found on the page. No independent third-party review is claimed.

Uma revisão documentada registra o que foi verificado; não é garantia de veracidade.

Atribuição e licença

Última alteração: New English original; AI-assisted and unreviewed. Proposed checks have not been executed for this article.

Contribuição original: CC BY 4.0. O material das fontes vinculadas mantém seus próprios direitos.