表情转 Unicode 转换器

为什么一个表情可以有七个字符长

码位是 Unicode 分配的编号，一个表情可以由多个码位组成。苏格兰旗就是最典型的例子：一面黑旗、五个拼出 gbsct 的隐形标签字母，再加一个取消标签，总共七个码位。JavaScript 用 UTF-16 存储文本，U+FFFF 以上的字符各占两个单元，所以同一面旗帜的 .length 是 14。UTF-8 为每个这样的码位花费四个字节，所以它在数据库中占 28 个字节。只有一个数字与人眼看到的一致，而大多数代码偏偏从不计算它。在 JavaScript 中，用 Intl.Segmenter 并把 granularity 设为 grapheme 来计数；在 Python 中，第三方 regex 模块的 \X 模式可以做同样的事。

在 MySQL 中存储表情而不变成问号

如果表情保存后变成了 ????，那几乎可以肯定该列用的是 MySQL 的 utf8 字符集，它名不副实，每个字符最多只存三个字节。U+FFFF 以上的每个表情都需要四个字节，所以插入要么失败，要么丢失数据。解决方法是 utf8mb4：用 ALTER TABLE ... CONVERT TO CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci 转换表，并确保连接本身也使用 utf8mb4，因为即使表设置正确，经过 utf8 连接的文本仍会被弄乱。MySQL 8.0 已把 utf8mb4 设为默认值，所以这个问题主要出现在升级而来、而非全新创建的旧数据库上。

HTML 实体、CSS 与末尾的空格

在以 UTF-8 提供的页面上（几乎所有页面都是如此），你可以直接把表情粘贴进 HTML；只有当模板或邮件系统会弄乱原始字符时，才需要 👍 这样的实体。CSS 则更讲究。在 content 属性中，\1F44D 这样的转义会一直延续到第一个非十六进制字符为止，所以如果下一个字符可能被当成十六进制，就必须用一个空格结束转义。这个空格会被吞掉，不会显示出来。我们的 CSS 一行总会在码位之间加上它，所以带肤色的点赞会输出为 \1F44D \1F3FD，中间那个空格是有意保留的。

为什么 X 把每个表情都算作两个字符

字数限制是计数结果出现分歧的另一个地方。X 的开源计数库把大多数表情按两个字符计入 280 字的上限，不管它们由什么组成，所以 👍 和 👩‍💻 占用的额度相同，尽管前者只有一个码位，后者有三个。短信更苛刻：只要有一个表情，整条消息就会被迫改用 UCS-2 编码，单条短信的上限从 160 个字符降到 70 个。如果某个表单、数据库列或社交平台拒绝了看起来很短的文字，上面的长度表通常能说明原因。

关于表情码位的问题