文字数カウンター

「この文字列の長さは?」に答えが一つでない理由

ささいな質問に聞こえますが、テキストの長さは何を数えるかで完全に変わります。人は目に見える文字を数えます。データベースは値が占める保存量を数えます。JavaScript はまた別のものを数えます。これらの数値が食い違うとき — 絵文字・アクセント付き文字・非ラテン文字ではしばしばそうなります — 一つの「長さ」は誤解を招きます。このツールは意味のある五つの指標を並べて表示するので、自分の状況に合ったものを選べます。

五つの指標

• 文字数 (書記素): 人が 1 文字として知覚するものです。👨‍👩‍👧 のような絵文字の家族や、結合アクセント付きの文字も 1 文字として数えます — 「目で見て」数えるのに一致するのはこの数です。
• コードポイント: Unicode スカラー値の数です。目に見える 1 文字が複数のコードポイントを結合して作られることがあるため、この数は書記素の数より大きくなりがちです。
• UTF-16 単位: JavaScript が文字列の .length プロパティで報告する値です。基本多言語面の外にある文字 (多くの絵文字) は、それぞれ 2 つの UTF-16 単位を占めます。
• 単語数: 単語らしいトークンの数で、素朴に空白で区切るのではなく、Unicode を考慮して検出します。
• 行数: 改行ごとに数えた行の数です。

絵文字とアクセントが素朴な数え方を壊す理由

現代のテキストは Unicode で作られており、多くの目に見える文字を単一の単位ではなく並びとして表します。旗の絵文字は 2 つの地域表示記号です。家族の絵文字は、目に見えない「ゼロ幅接合子」で結ばれた複数の人です。アクセント付きの é は、単一のコードポイントのこともあれば、素の e に結合アクセントが続いたものであることもあります。どれも 1 文字に見えますが、指標によっては 2 つ・3 つ、あるいはそれ以上として数えられます。手で数えたり、一つの数を信じたりするとバグにつながるのは、まさにこのためです。

どの数を使うべきか?

• 人が目にする文字数制限 (プロフィール、ツイート風の欄、SMS のプレビュー): 文字数 (書記素) を使ってください。ユーザーが数えるものに一致します。
• JavaScript の文字列処理、配列の添字操作やスライス: UTF-16 単位を使ってください。.length と文字列の添字はこれに基づいています。
• データベースの列サイズ: 列が文字単位かバイト単位かを確認してください — 多くはバイト制限で、UTF-8 のバイト数はこれらのどの数とも異なります。
• エディター向けの単語数・行数、読みやすさの指標: 単語数と行数の指標を使ってください。