Compteur de caractères

La plupart des gens s'attendent à ce qu'un compte de caractères signifie « combien de lettres et symboles y a-t-il dans ce texte », ce qui semble sans ambiguïté jusqu'à ce que les emojis et caractères accentués entrent en scène. Un seul emoji s'affiche comme un glyphe mais est fréquemment stocké en interne comme deux unités de code UTF-16 appariées, et encodé en jusqu'à quatre octets en UTF-8 — donc un outil comptant des unités de code brutes rapporte un emoji comme deux caractères, tandis qu'un outil comptant des octets rapporte encore autre chose, et un humain regardant le texte en voit un. Cet outil compte ce qu'une personne perçoit réellement — un emoji visible est un caractère — car c'est ce qui correspond aux limites que les gens essaient généralement de respecter.

Les lettres accentuées posent un problème lié mais différent : un caractère comme é peut être stocké comme un seul point de code précomposé ou comme un « e » simple suivi d'une marque d'accent combinante séparée, deux séquences d'octets distinctes qui se rendent de façon identique à l'écran. Compter par *ce qui s'affiche*, comme le fait cet outil, traite les deux représentations comme un caractère chacune, correspondant à ce qu'une personne regardant le texte rendu compterait à vue d'œil.

Un texto envoyé avec l'ancien alphabet GSM 7 bits — lettres latines brutes, chiffres et ponctuation de base — tient en 160 caractères dans un seul segment de message. Au moment où le message contient un caractère hors de cet alphabet — un emoji quelconque, la plupart des lettres accentuées hors d'un petit ensemble compatible GSM, ou des caractères d'une écriture non latine — l'opérateur bascule tout le message vers un encodage UTF-16, ce qui réduit la limite par segment à 70 caractères, pas graduellement mais comme une falaise abrupte à l'instant où un caractère déclencheur apparaît n'importe où dans le message. Un message de 155 caractères tenant confortablement sous la limite du texte brut peut se diviser silencieusement en trois segments facturés dès qu'un seul emoji est ajouté.

Les moteurs de recherche tronquent extraits et balises titre selon la largeur en pixels rendue, pas un compte de caractères fixe, car différentes lettres occupent différentes quantités d'espace horizontal — un titre plein de lettres étroites comme « i » et « l » tient avec plus de caractères au même point de troncature qu'un titre plein de lettres larges comme « m » et « w ». Les comptes de caractères couramment cités — environ 155 pour une description, environ 60 pour un titre — sont des approximations pratiques d'où tend à tomber cette troncature basée sur les pixels pour un texte moyen, pas une règle que le moteur de recherche applique caractère par caractère. Placer les mots importants au début dans ce budget approximatif est ce qui garde le sens intact même si le point de coupure exact varie légèrement selon les lettres précises utilisées.