Compteur de caractères

Chaque compteur de caractères répond à une question qu’on ne lui a jamais posée avec précision, et la réponse change selon qui demande. Celui-ci refuse de donner un seul chiffre, parce qu’il n’en existe pas.

Trois façons de compter le même texte

"😀".length vaut 2. JavaScript compte des unités de code UTF-16, un fait lié à l’encodage plutôt qu’au texte : un emoji en exige deux. [..."😀"].length vaut 1, car un point de code est plus proche de ce qu’une personne entend par caractère. Et le nombre de graphèmes vaut lui aussi 1, le chiffre qu’utilise réellement chaque limite de plateforme.

Les trois s’écartent bien plus qu’un seul emoji ne le suggère. Un emoji de famille composé de quatre personnes reliées par des caractères de jonction de largeur nulle représente 11 unités de code et un graphème. Un drapeau, deux points de code et un graphème. Une lettre à accent combinant vaut un ou deux points de code selon la façon dont elle a été saisie : même texte visible, deux comptages différents. Les trois chiffres sont affichés, car le maxlength d’un champ de formulaire utilise le premier, la longueur d’une colonne de base de données utilise souvent le second et une limite de plateforme le troisième.

X ne compte pas du tout des caractères

X compte un poids. Un idéogramme CJK coûte deux, une lettre latine un, un emoji deux : 140 caractères japonais et 280 latins occupent ainsi le même espace. X réécrit aussi chaque URL via t.co et la compte pour 23 caractères forfaitaires, quelle que soit sa longueur réelle. Un message contenant un lien de 200 caractères est donc 23 caractères plus court qu’il n’y paraît, et un message japonais qui se lit comme 200 caractères en pèse 400 selon l’arithmétique de X : bien au-delà de la limite. Les plages et la règle des 23 caractères utilisées ici viennent de la configuration publiée par X elle-même, pas d’une estimation.

Le SMS a deux alphabets et deux arithmétiques

Un SMS tient 160 caractères si chacun appartient à l’alphabet GSM 7 bits, et 70 si un seul en sort : une apostrophe typographique, une majuscule accentuée, un emoji. Un caractère peut donc transformer un message en trois. La concaténation change à nouveau les chiffres : 153 et 67, car chaque segment transporte un en-tête. Et huit caractères de l’alphabet — {}[]|^~\ et le signe euro — sont transmis comme deux, si bien qu’un message affiché 160 sur 160 peut quand même être facturé deux.