Stackbench 字数统计：中文、英文、表情符号到底怎么算
把同一段文字粘进两个统计工具，得到两个不同的数。两个都不一定算错，因为「字数」「字符数」「长度」各自都有不止一种定义，而你要满足的限制，又是由平台的开发者自己定义的。
字符数：空格、换行和「一个字符」是什么
人们说的「字符数」其实是三种数字：
| 数字 | 空格 | 换行 |
|---|---|---|
| 字符数（含空格） | 算 | 一般不算 |
| 字符数（不含空格） | 不算 | 不算 |
UTF-16 编码单元数，即 JavaScript 里 string.length 的结果 | 算 | 算一个或两个 |
对普通英文，前两种相差的就是空格的个数，需要哪一种取决于你面对的规则。论文系统和 meta 描述的常见限制按含空格的字符数算；有些翻译报价按不含空格的字符数算。拿到数字之前先确认是哪一种。
第三行是大多数不一致的来源。程序员读到 "hello".length 会以为它等于人眼看到的字符个数。普通字母确实如此，其他文字就不是了。
表情符号和重音字母：读者看是一个，程序看是多个
家庭表情 👨👩👧 实际上是三个表情，中间用不可见的连接符拼起来。它在 JavaScript 里的 .length 是 8，UTF-8 下占 18 个字节，而读者看到的是一个符号。带重音的字母，可以存成一个码点，也可以存成基础字母加组合符号，两种在屏幕上看起来完全一样。
计数工具可以按「用户感知的字符」（字素）来统计人眼看到的数量。字数统计工具就是这样做的，所以一个表情符号或带重音的字母算一个字符。表格软件里的长度公式和很多脚本数的是编码单元，因此一个单元格里放三个表情，可能报出远大于 3 的数字。
如果平台的算法和你看到的不同，以平台的规则为准。比如 X 把每个汉字按两个字符加权，一个「每个可见字符算一个」的计数器，读数就会比平台的低。任何限制都应当留出余量。
词数：空格并不总是边界
最简单的词数统计按空格切分。这对一句英文有效，到了以下情形就失灵：
don't应该算一个词，而简单地按标点切会得到两个。state-of-the-art这样带连字符的短语，大多数读者当作一个词，而在连字符处断开的分词器会得到四个。这个工具会把「两侧都有单词的连字符」重新接起来，算作一个。- 中文和日文没有空格。
你好，世界里根本没有用空格隔开的词。
对中文和日文，工具使用浏览器自带的分词器，按词典切分。这是一种近似：不同浏览器、不同版本对同一句话的切分可能略有差别，所以含中日文的文本，词数可能在不同浏览器之间有小幅变动。这也是为什么工具把「中日韩文字数」作为单独的精确数字列在旁边。统计中文时，报字数请用这个数。
中文字数：编辑说的「字数」是哪一种
中文出版语境里「字数」通常指字，但细节取决于对方的要求：有的要求包含标点，有的不包含；有的把数字和英文字母也逐个计入。按规格交稿之前，先问清楚。
在这个工具里，总字符数包括标点、数字和字母。中日韩文字数只统计汉字、平假名、片假名和谚文，所以全角标点「，」「。」包含在前一个数里，不在后一个数里。用前者减后者，可以快速知道文本里标点和拉丁字符占多少。
文字处理软件也有自己的规则。Microsoft Word 对东亚文字的计数方式与用空格分隔的词不同，因此中英混排的文档在 Word 里和浏览器里读出来可能不同。数字很重要的时候，用接收方使用的那个工具。
短信：160、70，以及超出之后会怎样
一条短信可以容纳 160 个 GSM-7 字符，如果内容需要 UCS-2 编码，则只有 70 个。只要出现一个 GSM-7 字符集以外的字符，整条短信就会改用 UCS-2。汉字会触发这一点，大多数表情符号和排版用的弯引号也会。更长的短信会被拆成串联的分段，每段 GSM-7 为 153 个字符，UCS-2 为 67 个字符，因为拼接用的头信息占了位置。
另外两点：
- GSM-7 里有些字符占两个位置，包括
€、[、]、{、}。 - UCS-2 短信里的一个表情符号占 70 个位置里的两个，因为它存成一对编码单元。
工具的限制进度条有 160 的选项和一个自定义输入框，每个可见字符算一个，它不会检测你的短信会使用哪种编码。中文短信请把自定义上限设成 70；一条含有零星表情或弯撇号的英文短信，要按较短的上限来算。
标题、描述和推文的限制
| 限制 | 性质 | 注意 |
|---|---|---|
| 页面标题 title，约 60 | 搜索结果里的经验值 | 实际按像素宽度截断，所以 60 只是估计 |
| meta 描述，约 160 | 显示惯例 | 搜索引擎可能完全换成另一段摘要 |
| X 推文，280 | 硬性上限 | 有加权：汉字算两个，链接有固定的占用 |
| 短信单条，160 / 70 | 计费与投递单位 | 取决于编码，见上文 |
工具提供 60、160、280 三个预设和一个自定义选项。前两个是经验规则，所以进度条停在线下一点点，只能当作大致通过；重要的标题，用按像素宽度的预览来确认。X 的 280 是平台自己计算的，以它自己的发布框为准。中文标题尤其要注意：一个全角汉字的宽度大约是两个拉丁字母，所以中文标题按字符数算不到 60，就可能已经被截断。
阅读时间只是平均值
工具估算阅读时间时，有空格的语言按每分钟 238 词，中日韩文字按每分钟 400 字；朗读时间按每分钟 130 词、220 字。混合文本会把两部分相加。这些数字适合做规划：密集的技术文章读得慢，扫一眼的清单读得快。
字节数：存数据库时才重要
工具还会显示 UTF-8 体积。一个汉字在 UTF-8 里占三个字节，一个英文字母占一个，表情符号一般占四个。如果你要把文本存进一个限制为字节数的字段，比如某些数据库列定义成多少字节，那么 100 字的中文就要占 300 字节左右，而不是 100。这时用字节数判断，才不会存入时被截断。
到底用哪个数字
- 满足某个平台的限制：用该平台自己的计数器，其他工具的数都只当作估计。
- 报中文或日文的篇幅：用中日韩文字数。
- 写有空格分词的语言：长度看词数，填字段看含空格的字符数。
- 把文本存进数据库的列：看 UTF-8 的字节数，因为列限制常常以字节定义，而一个汉字占三个字节。