備注框允許輸入 20 個字符,卻在粘貼家庭表情後提前報超長;另一處搜索高亮把重音拆開,只標中了半個可見字符。這兩類問題往往來自同一個假設:字串長度、使用者看到的字符數量和介面偏移是一回事。
處理輸入限制、字幕、標注或編輯器時,需要先定義文本坐標,而不是到處補一個表情正則。這裡討論普通文本,不嘗試用一個小函數實現完整的富文本編輯模型。
三種長度回答三種問題
JavaScript 的 length 計算 UTF-16 程式碼單元。遍歷字串得到碼點,但一個使用者感知的字符仍可能由多個碼點組成:組合重音、膚色修飾符、旗幟和零寬連接序列都需要考慮。字素簇是更適合界面截斷的近似單位,它仍然不等於像素寬度。
因此資料庫位元組限制、協議偏移和界面計數應分別命名。比如 maxUtf8Bytes、startUtf16、graphemeCount,比一個沒有單位的 length 更能阻止誤用。後端用位元組偏移而前端用 UTF-16 時,ASCII 樣例會全部通過,直到真實姓名或表情出現才暴露錯誤。
用分段器截斷可見字符
Unicode 文本分段規則描述字素邊界;JavaScript 提供 Intl.Segmenter。以下函數按字素簇截斷,不會在示例家庭表情的中間切開。它只返回截斷文本,是否添加省略號由調用者決定,省略號自身是否佔額度也必須約定。
export function truncateGraphemes(text, limit, locale = 'en') {
if (!Number.isInteger(limit) || limit < 0) {
throw new RangeError('invalid limit');
}
const segmenter = new Intl.Segmenter(locale, {
granularity: 'grapheme',
});
let result = '';
let count = 0;
for (const { segment } of segmenter.segment(text)) {
if (count === limit) break;
result += segment;
count++;
}
return result;
}
const text = 'A👨👩👧👦e\u0301';
console.assert(text.length > 3);
console.assert(truncateGraphemes(text, 2) === 'A👨👩👧👦');
程式碼依賴 Intl.Segmenter。部署前檢查目標運行環境;缺少能力時使用經過維護的分段實現,而不是退回 Array.from(text) 後繼續宣稱按可見字符計數。不同運行時攜帶的 Unicode 資料版本也可能不同,伺服器端若要求嚴格一致,應固定規則和測試語料。
偏移只對某一版原文有效
假設介面返回 [start, end) 區間,必須說明它是 UTF-16、UTF-8 位元組還是碼點。半開區間可以自然表示空選區與相鄰區間,但不能消除單位差異。最好同時返回文檔版本和片段校驗信息;原文發生修改後,舊區間就不應直接繼續應用。
對於純文本框,selectionStart 等位置使用 UTF-16 偏移。若標注服務輸出碼點偏移,建立碼點邊界到 UTF-16 位置的映射即可;富文本 DOM Range 則還涉及文本節點及其邊界,不能拿整篇字串的偏移直接充當節點內偏移。展示層的坐標轉換應集中在適配層。
規範化會改變坐標,不只是改變外觀
é 可以是一個預組字符,也可以是 e 加組合重音。兩者顯示相似,原始長度卻不同。NFC 適合某些比較和索引流程,但不能在獲得選區之後悄悄規範化再沿用舊偏移。搜索側如果做了規範化,必須保留到原文位置的映射,或者明確使用規範化後的文檔版本。
不要把 NFKC 當成免費的清洗步驟,它可能改變兼容字符的表達。標識符比較、法律文檔和使用者原文留存的目標不同。保存原文、生成搜索表示和展示截斷最好是三個明確步驟,而不是共同修改同一個字串。
字數限制也需要產品語義
一個標籤的上限到底是 20 個字素、40 位元組還是一行寬度?視覺上限應通過佈局判斷,存儲上限則按實際編碼驗證。界面可以同時提示可見字符計數與剩餘位元組,但不應該把後端拒絕籠統描述成“你輸入的字太多”。組合輸入尚未完成時也別立即截斷,否則候選文本可能被破壞。
建立包含中文、日文、組合重音、旗幟、膚色表情和家庭序列的固定語料,驗證截斷、複製、刪除與高亮往返。最有價值的斷言是“這個坐標切出來的仍是預期原文”,而不是只比較一個數字。
