一个表情是几个字符：字节、码点、UTF-16 单元与字形
昵称限制「最多 10 个字符」。前端用 JavaScript 的
length判断，后端用 Java 的length()，数据库字段是VARCHAR(10)。一个用户的昵称里有两个家庭表情，前端说超长，另一个只有一个国旗的昵称被截断后，页面上显示成了一个问号加一个奇怪的字母。
「一个字符串有多长」至少有四种答案：占多少字节（存储和传输关心的）、有多少个 Unicode 码点（字符集关心的）、有多少个 UTF-16 单元（Java 和 JavaScript 的 length 返回的）、用户看到几个字形（界面和「最多 N 个字」这类规则关心的）。对 ASCII 来说四个数字相同，对中文前三个就开始不同，对表情、国旗、带组合符号的字母，四个数字可能各不相同。
本文用七个字符串，在 JDK 25、Python 3.14、Node 24 上统计这四个数字，并看截断、反转和比较时会出什么问题。实验见文末。
一、四个数字
字符串 Java length() / JS length Python len() UTF-8 字节 字形
中 1 1 3 1
é（预组合） 1 1 2 1
e + 组合重音 2 2 3 1
笑脸 2 1 4 1
一家三口 8 5 18 1
中国国旗 4 2 8 1
带肤色的点赞 4 2 8 1- UTF-16 单元：Java 的
String和 JavaScript 的字符串内部是 UTF-16，length返回的是单元数。基本多文种平面以外的字符（大部分表情）要用两个单元（代理对）表示，所以一个笑脸的长度是 2。 - 码点：Python 3 的
len()返回码点数，一个笑脸是 1。Java 的codePointCount、JavaScript 的[...s].length也是码点数。 - 字节：取决于编码，UTF-8 下中文 3 字节、表情 4 字节。数据库的字段长度、网络协议的长度上限通常按字节或按码点计算，要看具体的定义。
- 字形：用户看到的一个「字」。一家三口由三个人的表情和两个零宽连接符组成，5 个码点、18 个字节，显示出来是一个图形；国旗由两个区域指示符组成；带肤色的点赞是一个表情加一个肤色修饰符。Java 用
BreakIterator.getCharacterInstance()、JavaScript 用Intl.Segmenter可以按字形分割，Python 标准库没有对应的功能，需要第三方库。
「最多 10 个字」这类面向用户的规则，应该按字形计算；存储和协议的限制按它们自己定义的单位计算。两者分别校验，不能用一个 length 代替。
二、截断与反转
Java substring(0, 1) / JS slice(0, 1) 截笑脸：得到孤立代理 U+D83D
Java 编码成 UTF-8 后变成了 "?"；JS 的 TextEncoder 编码成 U+FFFD
Python s[:1] 截一家三口：只剩第一个人 U+1F468
三种语言按码点反转国旗：区域指示符的顺序变成 N、C按 UTF-16 单元截断会把代理对切成两半，留下一个孤立代理。它不是一个合法的字符，写进数据库、编码成 UTF-8 时会变成 ? 或替换字符 U+FFFD，开头那个「问号」就是这么来的。按码点截断（Python 的切片）不会产生非法字符，但会把一个字形拆开：一家三口变成了一个人。
反转字符串更糟：中国国旗是区域指示符 C、N 的组合，按码点反转后变成 N、C，显示出来是新喀里多尼亚的旗帜。
需要截断显示的文本（摘要、昵称），应该按字形截断；不能按字形处理时，至少按码点截断，避免产生非法字符。
三、看起来一样，比较却不相等
é（预组合）与 e + 组合重音比较：三种语言都不相等；NFC 规范化后相等
"straße" 转大写：STRASSE，长度 6 → 7同一个 é 可以写成一个预组合字符（U+00E9），也可以写成 e 加一个组合重音符（U+0301），显示完全一样，比较却不相等。从 macOS 的文件名、某些输入法、复制粘贴的文本里，都可能得到分解形式。用户名、搜索关键词、去重的键，应该在存储前统一规范化（通常是 NFC）。
大小写转换也会改变长度：德语的 ß 转大写变成 SS。按「转大写后的长度」做校验、按转换前的位置做截取，都可能出错。
四、数据库与协议
- MySQL 的
utf8（即utf8mb3）每个字符最多 3 字节，存不下表情，要用utf8mb4。VARCHAR(10)在 MySQL 里是 10 个字符（码点），在一些其他数据库或按字节定义的字段里是 10 个字节。 - JSON 本身按码点处理，但
😀这种转义形式是 UTF-16 代理对；生成 JSON 的库如果按 UTF-16 截断，可能产生无法解析的转义。 - HTTP 头、日志系统常按字节限制长度，截断时同样要避开多字节字符的中间。
五、检查清单
- 先确认每个长度限制的单位：字形、码点、UTF-16 单元还是字节。
- 面向用户的长度规则按字形计算；Java 用
BreakIterator，JavaScript 用Intl.Segmenter。 - 截断按字形，至少按码点；不要按 UTF-16 单元截断用户文本。
- 不要反转用户文本。
- 比较、去重、搜索前做 Unicode 规范化。
- 数据库使用
utf8mb4或同等编码，并确认字段长度的单位。
配套实验
- codesphere-labs/engineering/unicode-length：JDK 25.0.4.1、Python 3.14.8、Node 24.21.0：七个字符串的 UTF-16 单元、码点、UTF-8 字节与字形，截断、反转、规范化与大小写转换（验证记录）
参考资料