字符计数器

大多数人以为字符计数就是"这段文字里有多少个字母和符号",这个概念听起来毫无歧义,直到表情符号和带重音符号的字符出现。单个表情符号显示为一个字形,但在内部经常被存储为两个配对的 UTF-16 码元,在 UTF-8 编码下最多占用四个字节——所以按码元计数的工具会把一个表情符号报告成两个字符,按字节计数的工具又会报告出不同的数字,而人眼看到的就是一个。这个工具统计的是人实际感知到的内容——一个可见的表情符号就是一个字符——因为这才符合人们通常想要满足的那些限制。

带重音符号的字母带来一个相关但不同的问题:像 é 这样的字符,既可以被存储成一个预组合的码点,也可以被存储成一个普通的 "e" 加上一个独立的组合重音符号,这是两种渲染出来一模一样的不同字节序列。这个工具按*显示效果*计数,把这两种表示方式都算作一个字符,这符合一个人看着渲染出来的文本用肉眼数出来的结果。

使用较早的 GSM 7 位字符集——纯拉丁字母、数字和基本标点——发送的短信,一条能装进 160 个字符。而一旦消息里出现了这个字符集之外的字符——任何表情符号、大多数 GSM 支持范围之外的重音字母,或者来自非拉丁文字的字符——运营商就会把整条消息切换成 UTF-16 编码,把单条消息的上限降到 70 个字符,而且不是逐渐降低,而是在任何一个符合条件的字符出现的瞬间就断崖式下跌。一条原本 155 个字符、在纯文本上限内绰绰有余的消息,只要加入一个表情符号,就可能悄无声息地拆分成三条按条计费的消息段。

搜索引擎截断摘要和标题标签,依据的是渲染后的像素宽度,而不是固定的字符数,因为不同字母占用的横向空间并不相同——一个标题里全是 "i" "l" 这类窄字母,能在同样的截断位置里塞进比全是 "m" "w" 这类宽字母的标题更多的字符。常被引用的字符数——大约 155 个用于描述,大约 60 个用于标题——是对这种基于像素的截断在一般文本上通常落在哪里的实用性近似值,而不是搜索引擎逐字符强制执行的规则。在这个近似的预算范围内把重要的词放在前面,是保证含义完整的关键,即使具体的截断点会因为所用字母的不同而略有变化。