Счётчик символов

Большинство людей ожидает, что подсчёт символов означает "сколько букв и знаков в этом тексте" — звучит однозначно, пока в игру не вступают эмодзи и символы с диакритикой. Один эмодзи отображается как один глиф, но часто хранится внутри как две парные кодовые единицы UTF-16 и кодируется как до четырёх байт в UTF-8 — поэтому инструмент, считающий необработанные кодовые единицы, сообщает об одном эмодзи как о двух символах, инструмент, считающий байты, выдаёт ещё одно число, а человек, глядя на текст, видит один символ. Этот инструмент считает то, что человек действительно воспринимает — один видимый эмодзи считается одним символом, — потому что именно это соответствует лимитам, в которые люди обычно стараются уложиться.

Буквы с диакритикой поднимают смежный, но отдельный вопрос: символ вроде é может храниться как единый предкомпонованный код-пойнт или как обычная "e", за которой следует отдельный объединяющий диакритический знак, — две разные последовательности байт, которые отображаются на экране одинаково. Подсчёт по *тому, что отображается*, как это делает данный инструмент, засчитывает оба варианта как один символ, что совпадает с тем, что насчитал бы человек, глядя на отрисованный текст.

Текстовое сообщение, отправленное с использованием более старого 7-битного алфавита GSM — обычные латинские буквы, цифры и базовая пунктуация, — вмещает 160 символов в один сегмент сообщения. В момент, когда сообщение содержит символ вне этого алфавита — любой эмодзи, большинство букв с диакритикой за пределами небольшого набора, поддерживаемого GSM, или символы нелатинской письменности, — оператор переключает всё сообщение на кодировку UTF-16, что снижает лимит на сегмент до 70 символов, причём не постепенно, а резким скачком в тот же момент, когда где-либо в сообщении появляется хотя бы один такой символ. Сообщение длиной 155 символов, спокойно укладывавшееся в лимит обычного текста, может незаметно разбиться на три оплачиваемых сегмента в момент добавления одного-единственного эмодзи.

Поисковые системы обрезают сниппеты и теги title исходя из отрисованной ширины в пикселях, а не из фиксированного числа символов, потому что разные буквы занимают разное горизонтальное пространство — заголовок, полный узких букв вроде "i" и "l", вмещает больше символов до той же точки обрезки, чем заголовок, полный широких букв вроде "m" и "w". Часто упоминаемые числа символов — примерно 155 для описания, примерно 60 для заголовка — это практические приближения того, где такая обрезка по пикселям обычно происходит для среднего текста, а не правило, которое поисковая система соблюдает посимвольно. Размещение важных слов в начале в пределах этого приблизительного бюджета — вот что сохраняет смысл, даже если точная точка обрезки немного смещается в зависимости от конкретных использованных букв.