emoji 到底算几个字符 - 极速工具箱

在浏览器控制台里输入 '😀'.length，返回的是 2。但页面上明明只有一个表情。再试着输入 '👨‍👩‍👧'.length，返回的却是 5，而这个表情看起来是「一家人」的图标。同一个问题，两种结果，答案取决于你在问「几个字符」还是「几个码元」。

码元和码点不是一回事

JavaScript 的字符串用 UTF-16 编码存储，它的基本单位是 16 位的码元。基本多文种平面（BMP）内的字符，一个码元就够；而 emoji 大多落在 BMP 之外，需要用一对码元来表示，这就是所谓的代理对。

'😀'.length 返回 2，正是因为它在 UTF-16 里由一对代理项组成。

而 Unicode 层面说的是码点，也就是每个字符在码表里的编号。😀 是一个码点，编号 U+1F600。

这两个口径的差异，导致同一个字符串在不同语言、不同工具里的「长度」不一样。按码点计数更符合人的直觉——用户看到几个符号，就应该是几个字符。

比代理对更绕的是组合序列。有些 emoji 不是单个码点，而是由多个码点用零宽连接符（ZWJ，U+200D）拼起来的。

以「一家人」表情为例，它由「男人」「零宽连接符」「女人」「零宽连接符」「女孩」这五个码点组成。按码点计数就是 5，虽然视觉上它只是一个图标。

类似的还有肤色修饰符（基础表情 + 肤色码点，两个码点）、旗帜（两个区域指示符号码点）、带变体选择符的符号等。这些序列在支持完整的系统上渲染成一个图形，在不支持的系统上会拆成几个独立符号显示。

所以看到一个 emoji 被统计成多个字符时，先别急着判断工具算错了，很可能它本来就是一个组合序列。

除了汉字、字母、数字、标点、空白，还有一批字符无法归入这些类别：数学符号、货币符号、图形符号、私用区字符，以及 emoji。

在字符统计里，这些通常被归到「其他字符」一栏。当「其他字符」不为零时，往往说明文本里混进了表情、特殊符号或者从别处粘贴来的不可见字符。

不可见字符尤其值得留意。零宽空格、字节顺序标记（BOM）、软连字符这类字符肉眼看不见，但会被计入字符总数。从网页或文档复制文本时，它们经常被一起带过来，导致「看起来 100 个字，统计出 103 个」。排查这类问题时，先看「其他字符」的数量是否异常。

第一，字段长度要留余量。如果一个昵称字段限制 20 个字符，用户输入 10 个 emoji 就占满了，而这些 emoji 在字节层面可能是 40 个字节。设计时要把字符限制和字节限制一起考虑。

第二，截断会把 emoji 切坏。按字节或按码元截断字符串时，如果切点正好落在代理对中间，剩下的一半是无效序列，显示出来就是一个替换字符。正确做法是按码点或按字素簇截断，而不是按码元。

第三，正则里的 . 不一定匹配完整字符。在没有开启 Unicode 模式的 JavaScript 正则里，. 匹配的是码元而不是码点，用它来切分含 emoji 的字符串会把一个表情切成两半。需要处理 emoji 时，应开启 u 标志。