【原創】經驗分享：一個小小emoji盡然牽扯出來這麼多東西？

一枝花算不算浪漫發表於2020-10-09

前言

之前也分享過很多工作中踩坑的經驗：

  1. 一個線上問題的思考：Eureka註冊中心叢集如何實現客戶端請求負載及故障轉移？
  2. 【原創】經驗分享：一個Content-Length引發的血案(almost....)

今天再來分享工作中一個真實的案例：

商品評價列表頁，顯示每條使用者的評價詳情，為了保護使用者隱私，要求顯示使用者暱稱時只能顯示第一位和最後一位，其他的用※代替。

例如輸入：???，輸出：?***?

看似一個平淡無奇的需求，我也沒有太在意。服務端將使用者的評論資訊儲存到db中，評價列表介面就是將資料庫中該商品的評論資訊展示出來，特殊處理下評論人的暱稱就可以了。

但是！！ 測試同學發現使用者暱稱包含emoji表情時就會出問題，切割的資料會有問號顯示！！

模擬的示例程式碼如下：

字串擷取.png

輸出：

輸出.png

看到這個輸出，我真的是一臉懵逼，這完全不是我想要的結果呀！！！

黑人問號.png

這三個魚可算是難倒我了，難道只能給測試說 emoji太特殊 不予處理？然後撒個嬌矇混過關？

思考了良久，我還是決定要正視這個問題並解決掉它！(畢竟我還是那個不畏困難的小機靈鬼?)

問題不大.png

PS：本文很大程度是受到之前公司一位同事unicode分享的啟發，在這裡向我的這位老師致敬！下面的內容會一步步分析這個問題的產生以及最終的解決方案。

概念常識

要解決這些問題，就必須要鋪墊一些基礎知識，大家等不及看解決方案 可以拉到文章最後的程式碼示例。

utf8mb4

一般我們在資料庫建立表時都會預設使用這種編碼格式：

utf8mb4編碼.png

相信大家對這個編碼格式都不陌生吧，當我們想儲存emoji資料到資料庫中，那麼資料庫的格式就需要指定為utf8mb4了，要不然儲存就會報錯了。所以在很多公司的db規範中，資料庫預設編碼必須為utf8mb4

emoji儲存報錯.png

但是大家有沒有過這樣的疑惑，為何utf8不行而utf8mb4就行？這裡面到底有什麼彎彎道道？

這裡面涉及到unicode相關知識，我們下面會提到，大家繼續看。

在mysql 5.5 之前，utf8編碼只支援1-3個位元組，從mysql 5.5開始，可支援4個位元組UTF編碼utf8mb4，一個字元最多能有4位元組，所以能支援更多的字符集。

emoji長度.png

這個表格中包含了所有的 emoji 以及它所對應的 unicode編碼，同時也有對應的 utf-8編碼的實現。

從圖中也可以看出 emoji 表情用 utf-8 表示時會佔用 4個位元組，這也就是為什麼資料庫用utf8無法儲存emoji表情的原因了。

同樣我們也可以在java程式碼中看看emoji佔用幾個位元組長度：

emoji長度.png

我們也可以看到String.getBytes()，預設是utf-8編碼的：

String.getBytes編碼格式.png

ASCII碼

上面介紹utf8mb4時有提過unicode，介紹它之前我們也需要先提一嘴我們的老朋友：ASCII碼

ASCII（American Standard Code for Information Interchange，美國資訊交換標準程式碼）是基於拉丁字母的一套電腦編碼系統。它主要用於顯示現代英語。

這樣我們就可以使用一個位元組來表示現代英文，看起來非常不錯，部分資料對應關係如下：

ASCII碼.png

但這個只能顯示的代表拉丁文，這顯然是遠遠不夠的。

Unicode

顯而易見，計算機的發展並不是只支援英文一種語言的，ASCII的侷限在於只能顯示26個基本拉丁字母、阿拉伯數字和英式標點符號，因此只能用於顯示現代美國英語。

這時如果能有一種包含了世界上所有的文字的字符集，每一個地區的文字都在這個字符集中有唯一的二進位制表示，這樣便不會出現亂碼問題了。所以Unicode也應運而生了。

概念

Unicode，中文又稱萬國碼、國際碼、統一碼、單一碼，是電腦科學領域裡的一項業界標準。它對世界上大部分的文字系統進行了整理、編碼，使得電腦可以用更為簡單的方式來呈現和處理文字。

平面

Unicode 首先承認了 ASCII 佔用 0-127 整數資源的合法性，之後又一次佔用了 128-65535 的整數資源，有了這麼多的整數資源，我們就可以把世界各種文字的每一種字元分配一個整數來表示了。

之後，Unicode 聯盟發現 65536 個整數也不夠分配的，於是就索性一次性又把之後的 16 個 65536 的數字即 65536-1114111 的整數資源給佔了，然後把多佔的 16 個 65536 的段分別命名為 16 個平面，加上原來的 0-65535 平面，Unicode 總共有 17 個平面。比如第 1 平面就是 65536-131072。當然，到目前為止，還只分配了 7 個平面出去。

Unicode平面.png

第0平面（Plane 0），是Unicode中的一個編碼區段。編碼從U+0000至U+FFFF，這個平面裡面的字元是我們最常用到的。

65535 之後分配的字元大多數是 emoji 表情，比如 ? 是 128570（\uD83D\uDE3A）

這裡推薦一個線上的編碼轉換網站：http://ctf.ssleye.com/cencode.html

線上utf16轉換.png

表示範圍

Unicode表示範圍：U+0000 ~ U+10FFFF

  • 也就大概是：U+0000~U+110000(加上1)，也就是17個FFFF（65535）
  • 差不多17*6w，大概有100w個碼點可以用來對映字元
  • 準確的值是 1114,112，差不多112w個碼點
  • 最新版本的Unicode含有136,690 個字元，離100w還很遠。
  • Unicode 官方表示目前的碼點已經夠用，以後不再擴充

實現方式

Unicode的實現方式不同於編碼方式。一個字元的Unicode編碼是確定的。但是在實際傳輸過程中，由於不同系統平臺的設計不一定一致，以及出於節省空間的目的，對Unicode編碼的實現方式有所不同。Unicode的實現方式稱為Unicode轉換格式（Unicode Transformation Format，簡稱為UTF）。

對於被Unicode收錄的字元其編碼是唯一且確定的。但是Unicode的實現方式(出於傳輸、儲存、處理或向後相容的考慮)卻有不同的幾種，其中最流行的是UTF-8、UTF-16、UCS2、UCS4/UTF-32等，細分的話還有大小端的區別。

對於我們Java而言，可以從char佔用2位元組來推斷出使用的是UTF-16編碼來儲存

對於各種編碼問題推薦一篇好文：深入分析 Java 中的中文編碼問題

判斷是否包含中文

上面大概瞭解了Unicode的含義及用途，那麼瞭解這個玩意有什麼實際作用呢？

我們再來看一個小的需求，比如：如何判斷一個字串中包含中文？

相信大家也遇到過這種需求吧，一般我們都會去百度一通，一定都能找到一個判斷是否包含中文的正規表示式，然後滿心歡喜解決了問題。

恰巧我們系統中也有這麼一個正則判斷，是架構組的同事封裝好的，一起來看下：

是否含有中文.png

顯然，這裡是通過Unicode區間去判斷的，有沒有問題呢？

這裡的區間是用的中日韓統一表意文字，但是這個是1993年的版本，包含了大部分我們常用的中文，共有20902個字，看到後面補充的版本，還新增了很多字，由此可想像我們現在使用的判斷方式肯定會漏掉後新增的字：

中日韓統一表意文字.png

我們用2000年增加的中日韓統一表意文字擴充套件區A 來舉例測試一下：

中日韓統一表意文字擴充套件區A.png

這裡加了很多生僻字，甚至都沒有我認識的，我們用第二排的資料來做一個驗證：

驗證是否包含中文.png

看到這裡是不是很驚訝？並高呼你們這裡寫了一個bug，哈哈。

寫Bug.png

其實這裡並不能說我們的正則判斷有bug，這個需要看我們的需求是否精準到所有的生僻詞都得識別到。根據使用者的使用習慣，輸入這些生僻字的概率不是很高，所以這個正則並沒有小夥伴反饋有問題。

解決emoji擷取的問題

言歸正傳，我們終究還是要解決開頭提出的問題，如何正確的擷取含有emoji的字串？這裡從UTF-16編碼開始說起。

UTF-16

UTF-16 具體定義了 Unicode 字元在計算機中存取方法。UTF-16 用兩個位元組來表示 Unicode 轉化格式，這個是定長的表示方法，不論什麼字元都可以用兩個位元組表示，兩個位元組是 16 個 bit，所以叫 UTF-16。UTF-16 表示字元非常方便，每兩個位元組表示一個字元，這個在字串操作時就大大簡化了操作，這也是 Java 以 UTF-16 作為記憶體的字元儲存格式的一個很重要的原因。

在基本多語言平面（碼位範圍U+0000-U+FFFF）內的碼位UTF-16編碼使用1個碼元且其值與Unicode是相等的（不需要轉換），這個就是我們正常的漢字，比如在輔助平面（碼位範圍U+10000-U+10FFFF）內的碼位在UTF-16中被編碼為一對16bit的碼元（即32bit,4位元組），稱作代理對(surrogate pair)。組成代理對的兩個碼元前一個稱為 前導代理(lead surrogates) 範圍為0xD800-0xDBFF，後一個稱為 後尾代理(trail surrogates) 範圍為0xDC00-0xDFFF

surrogate

上面有提到surrogate，surrogate是代理的意思， 這個概念不是來自 Java 語言，而是來自 Unicode 編碼方式之一 UTF-16。具體請見：UTF-16

簡而言之，Java 語言內部的字元資訊是使用 UTF-16 編碼。因為char 這個型別是 16-bit 的。它可以有65536種取值，即65536個編號，每個編號可以代表1種字元。但是，Unicode 包含的字元已經遠遠超過65536個。那麼編號大於65536的，還要用 16-bit 編碼，該怎麼辦？於是Unicode 標準制定組想出的辦法就是，從這65536個編號裡，拿出2048個，規定它們是「Surrogates」，讓它們兩個為一組，來代表編號大於65536的那些字元。

更具體地，編號為 U+D800 至 U+DBFF 的規定為「High Surrogates」，共1024個。編號為 U+DC00 至 U+DFFF 的規定為「Low Surrogates」，也是1024個。它們兩兩組合出現，就又可以多表示1048576種字元。

emoji擷取異常原因

上面都是一些概念性的知識，如果硬看確實容易懵，我們還是回過頭看一下吧，從程式碼入手：

暱稱.png

我們可以把emoji分離出來，如下：

? -> \uD83D\uDC33

? -> \uD83D\uDC33

? -> \uD83D\uDC20

emoji肯定是大於65536的，所以這裡就用「High Surrogates」和「Low Surrogates」兩兩組合的方式來呈現的。

由上面的UTF-16編碼知識可以推斷出，我們的emoji表情擷取一個char後出現亂碼的原因，是因為它是屬於UTF-16編碼輔助平面內的代理對，而我們如果擷取時將代理對拆分開 就會出現異常的問題。

對於這種情況，我們可以通過Character類的靜態方法isHighSurrogate和isLowSurrogate來判斷，單個emoji的組合就是高位+低位，所以對於輔助平面內的代理對，做到整個移除或保留即可。

isHighSurrogate方法的原始碼如下：

public static final char MIN_HIGH_SURROGATE = '\uD800';

public static final char MAX_HIGH_SURROGATE = '\uDBFF';

public static boolean isHighSurrogate(char ch) {
    return ch >= MIN_HIGH_SURROGATE && ch < (MAX_HIGH_SURROGATE + 1);
}

這個判斷其實就是上面說的「High Surrogates」的判定方式，我們可以轉換一下：

U+D800 <= ch <= U+DBFF

同理，isLowSurrogate方法的判定方式也是一樣的：

U+DC00 <= ch <= U+DFFF

問題解決

還是先執行一下程式碼，看看效果：

問題解決.png

具體實現程式碼如下：

public static void main(String[] args) {
    // 使用者暱稱為：???，正常結果應該為：?***?
    String context = "\uD83D\uDC33\uD83D\uDC33\uD83D\uDC20";
    int realNameLength = realStringLength(context);
    String namePrefix = subString(context, 1, 0);
    String nameSuffix = subString(context, realNameLength - 1, 1);
    context = String.format("%s%s%s", namePrefix, "***", nameSuffix);
    System.out.println(context);
}

/**
 * 包含emoji表情的subString方法
 *
 * @param str 原有的str
 * @param len str長度
 * @param type type = 0 代表prefix，其他代表suffix
 */
private static String subString(String str, int len, int type) {
    if (len < 0) {
        return str;
    }

    int count = 0;
    for (int i = 0; i < str.length(); i++) {
        if (count == len) {
            // type = 0 代表prefix，其他代表suffix
            if (type == 0) {
                return str.substring(0, i);
            }
            return str.substring(i);
        }

        char c = str.charAt(i);
        if (Character.isHighSurrogate(c) || Character.isLowSurrogate(c)) {
            i++;
        }
        count++;
    }

    return str;
}


/**
 * 包含emoji表情的字串實際長度
 *
 * @param str 原有str
 * @return str實際長度
 */
private static int realStringLength(String str) {
    int count = 0;
    for (int i = 0; i < str.length(); i++) {
        char c = str.charAt(i);
        if (Character.isHighSurrogate(c) || Character.isLowSurrogate(c)) {
            i++;
        }
        count++;
    }

    return count;
}

彩蛋：認領屬於你的emoji

emoji遠遠不止於此，unicode旗下還可以支援對emoji進行捐贈的，當然這個emoji會以捐贈者的名義去命名的。如下是現有的捐贈列表：

捐助列表.png

捐助列表2.png

看到第一個就是elastic.co捐贈的，而且點選連結可以直接進入他們官網。第二個捐贈列表中還有一個是我同事捐贈的，哈哈，很有意思。

如果想自己捐贈也可以直接進入到emoji捐贈網站去填寫個人資訊，一共有三個檔位，捐贈後這個列表就會顯示由你定義的emoji資訊了，簡直太酷了?：

一枝花.png

總結

一個小小的emoji真是學問無窮，由於篇幅的問題我這裡還省略了很多東西，比如UTF-8和UTF-16兩種編碼形式並沒有深入講解，這裡面又會牽扯到很多內容。

我希望這篇文章能夠做到一個拋磚引玉的作用，激發小夥伴們一起去探究更多的奧祕。

參考

  1. 維基百科 Unicode：https://zh.wikipedia.org/wiki/Unicode
  2. 維基百科 Unicode字元平面對映：https://zh.wikipedia.org/wiki/Unicode字元平面對映
  3. 不要小看小小的 emoji 表情：https://juejin.im/post/6844903938878078990
  4. 談談字元編碼：Unicode、UTF-8 和 char[]：https://luan.ma/post/character-encoding/
  5. 字元截斷引發的emoji表情亂碼問題：https://superxlcr.github.io/2018/06/19/字元截斷引發的emoji表情亂碼問題/
  6. emoji捐贈列表：https://www.unicode.org/consortium/adopted-characters.html

歡迎關注我的公眾號，一起交流學習：

歡迎關注

相關文章