Cómo cuenta Bluesky la longitud de un post
Por qué Bluesky cuenta grafemas y no caracteres: los límites de 300 grafemas y 3000 bytes de un post, con ejemplos y código para contarlos en TypeScript y Python.
Dos límites, un post
El texto de un post de Bluesky es el campo text de un registro app.bsky.feed.post. Su lexicón le fija dos límites, y un post debe respetar los dos:
maxGraphemes: 300: como máximo 300 grafemas, el límite que se ve en la app;maxLength: 3000: como máximo 3000 bytes una vez codificado el texto en UTF-8.
El segundo límite rara vez importa: 300 grafemas de texto latino ocupan entre 300 y 600 bytes, más o menos. Solo aparece con secuencias largas de emoji o con escrituras que ocupan varios bytes por carácter.
Qué es un grafema
Un grafema (un «extended grapheme cluster» en el estándar Unicode) es lo que un lector ve como un solo carácter. Por dentro puede estar formado por varios puntos de código Unicode, y cada punto de código ocupa de 1 a 4 bytes en UTF-8:
| Texto | Grafemas | Bytes UTF-8 | .length en JavaScript |
|---|---|---|---|
a | 1 | 1 | 1 |
é (un punto de código) | 1 | 2 | 1 |
é (e y un acento combinable) | 1 | 3 | 2 |
日 | 1 | 3 | 1 |
| 👍 | 1 | 4 | 2 |
| 👋🏽 (con tono de piel) | 1 | 8 | 4 |
| 🇫🇷 (una bandera) | 1 | 8 | 4 |
| 👨👩👧👦 (una familia) | 1 | 25 | 11 |
Por eso un contador que usa el .length de JavaScript (unidades de código UTF-16) o el len() de Python (puntos de código) no coincide con la app de Bluesky: los dos cuentan un emoji como más de un carácter.
Contarlo en TypeScript
Intl.Segmenter viene integrado en Node.js y en todos los navegadores actuales:
const segmenter = new Intl.Segmenter(undefined, { granularity: "grapheme" });
export function postLength(text: string) {
const graphemes = [...segmenter.segment(text)].length;
const bytes = new TextEncoder().encode(text).length;
return { graphemes, bytes, fits: graphemes <= 300 && bytes <= 3000 };
}Con el paquete @atproto/api, RichText da los mismos dos números:
import { RichText } from "@atproto/api";
const rt = new RichText({ text });
rt.graphemeLength; // grafemas
rt.length; // bytes UTF-8Contarlo en Python
El len() de Python cuenta puntos de código. El paquete regex (no el módulo re integrado) reconoce un grafema con \X:
import regex # pip install regex
def post_length(text: str) -> dict:
graphemes = len(regex.findall(r"\X", text))
size = len(text.encode("utf-8"))
return {"graphemes": graphemes, "bytes": size, "fits": graphemes <= 300 and size <= 3000}Enlaces y menciones
La app de Bluesky acorta un enlace largo en el texto que publica y guarda la dirección completa en una faceta, así que un enlace cuenta por su forma corta. Un bot que publica por la API envía el texto tal cual: cada carácter del enlace cuenta, salvo que el bot acorte él mismo el texto visible y añada la faceta. Las facetas señalan partes del texto por posiciones en bytes UTF-8, no en caracteres, por las mismas razones de arriba.
Cómo corta el divisor de hilos
Cuando un texto es demasiado largo, la vista previa del hilo del contador lo corta en posts que respetan cada uno los dos límites:
- toma tantos grafemas como caben, sin partir nunca uno por la mitad;
- retrocede hasta el último salto de párrafo, si no hasta el final de una frase, si no hasta un espacio, siempre que conserve al menos la mitad del post;
- con la numeración activada, el sufijo
1/3cuenta para los límites, así que las partes se calculan con él.
Para publicar las partes como hilo desde un bot, cada post después del primero responde al anterior, con el primero como raíz: consulta Programar posts y Buenas prácticas.