Tæl emoji uden at dele et synligt tegn midt over
En bruger indtaster én emoji, men tælleren siger to. En anden emoji bliver skåret til et ødelagt symbol. Problemet er ofte den enhed, der tælles, ikke et beskadiget input: JavaScripts length måler UTF-16-kodeenheder, mens læsere ser grafemklynger.
Beslut, hvad tælleren lover
Et billedtekstfelt, der siger “ét tegn tilbage”, bør ikke afvise en enkelt tommelfinger op, blot fordi implementeringen tæller to UTF-16-enheder. Men en lagertjeneste kan reelt have en bytegrænse. Det er forskellige krav. Før du ændrer koden, skal du finde ud af, om grænsen gælder en tekst til læseren, en databasekolonne eller et tredjeparts-API. Hvis du kun ændrer tælleren, kan gemningen stadig fejle senere.
For synlig tekst er et grafem normalt et nyttigt udgangspunkt: Et bogstav med kombinerende accent eller en emoji med modifikator forbliver samlet. Det er ikke et mål for skærmbredde. En familieemoji og et smalt bogstav kan hver tælle som ét grafem, selv om de optager meget forskellig plads.
Et offentligt spørgsmål fra 2016 spurgte, hvorfor en tommelfinger op havde længden 2. Tegnet bruger et surrogatpar. Spredning af strengen tæller kodepunkter, hvilket retter dette enkle eksempel, men ikke hudfarver, flag eller sammenkædede familier.
const text = "👍🏽";
const s = new Intl.Segmenter("en", { granularity: "grapheme" });
text.length; // 4 code units
[...text].length; // 2 code points
[...s.segment(text)].length; // 1 grapheme
new TextEncoder().encode(text).length; // 8 UTF-8 bytes
Afkort kun ved et helt synligt tegn
function truncate(text, maximum) {
if (!Number.isInteger(maximum) || maximum < 0)
throw new RangeError("Use a nonnegative integer");
const s = new Intl.Segmenter(undefined, { granularity: "grapheme" });
let result = "", count = 0;
for (const item of s.segment(text)) {
if (count++ >= maximum) break;
result += item.segment;
}
return result;
}
Dette bevarer begyndelsen af strengen uden at bygge et array med alle segmenter. Beslut særskilt, om en ellipse skal tælle med i grænsen. Et udsnit baseret på kodeenheder kan efterlade et halvt surrogatpar; et kodepunktbaseret udsnit kan stadig dele en sammenkædet emoji.
Brug afkortningsfunktionen i dette afsnit med et kort blandet eksempel som A👍🏽B. Hvis du beholder to grafemer, bør resultatet være A👍🏽, ikke en bar tommelfinger uden hudfarve. Prøv derefter en kombinerende accent og en sammenkædet familie. Formålet er at teste, hvor snittet lægges. En funktion kan tælle en hel streng korrekt og stadig afkorte den forkert andre steder i brugerfladen.
const sample = "A👍🏽B";
console.log(truncate(sample, 0)); // ""
console.log(truncate(sample, 1)); // "A"
console.log(truncate(sample, 2)); // "A👍🏽"
console.log(truncate(sample, 3)); // "A👍🏽B"
Dette er forventede eksempler for et runtime med grafemsegmentering, ikke ny dokumentation fra browsertest. Kontrollér understøttelsen, før du tilbyder funktionen. Hvis Intl.Segmenter ikke findes, skal du ikke ubemærket erstatte den med spread og slice og påstå samme garanti. Bevar brugerens input, og forklar begrænsningen, eller brug en særskilt kontrolleret implementering af segmentering.
Lad redigering og gemning følge samme regler
I et levende tekstfelt bør du opdatere tælleren uden at omskrive værdien ved hvert tastetryk. Nogle inputmetoder sammensætter flere tastetryk til ét tegn; aggressiv afkortning under denne sammensætning kan forstyrre indtastningen. En sikrere løsning er at vise tælleren, forklare en overskridelse og lade brugeren redigere før gemning. Hvis du fremstiller en forkortet visningstekst, skal den fulde original være tilgængelig andetsteds.
Beslut, om en tilføjet ellipse hører med i grænsen. Ved en forhåndsvisning på fem grafemer inklusive ellipsen skal du reservere plads til den i stedet for at beholde fem og tilføje et sjette. Forvent ikke, at en grænse for synlige tegn passer til et API med bytegrænse: Eksemplet med hudfarve ovenfor er ét grafem, men otte UTF-8-bytes.
Sammenlign før udgivelse tælleren, den forkortede forhåndsvisning og den gemte værdi med det samme testsæt. Hvis backend bruger en anden tælleregel, skal den dokumenteres og valideres. Grafembevidst håndtering forhindrer ødelagte afkortninger; den normaliserer ikke stavning, garanterer ikke fontunderstøttelse og definerer ikke andre tjenesters regler.
Hvad de registrerede eksempler dokumenterer
De bevarede Node v24.19.0 / ICU 78.3-testdata dækkede en tommelfinger op, en hudfarvesekvens, et flag, en sammenkædet familie og en kombinerende accent. Hver var ét grafem. Familien brugte 11 kodeenheder og 7 kodepunkter; afkortning af den almindelige tommelfinger til én enhed efterlod D83D, et uparret højt surrogat.
