Documentation de l’outil

Comment Bluesky compte la longueur d’un post

Pourquoi Bluesky compte des graphèmes, pas des caractères : les limites de 300 graphèmes et de 3 000 octets d’un post, avec des exemples et du code TypeScript et Python.

Deux limites, un post

Le texte d’un post Bluesky est le champ text d’un enregistrement app.bsky.feed.post. Son lexique lui fixe deux limites, et un post doit respecter les deux :

  • maxGraphemes: 300 : au plus 300 graphèmes, la limite que l’on voit dans l’app ;
  • maxLength: 3000 : au plus 3 000 octets une fois le texte encodé en UTF-8.

La seconde limite compte rarement : 300 graphèmes de texte latin occupent environ 300 à 600 octets. Elle n’apparaît qu’avec de longues suites d’emoji ou avec des écritures qui prennent plusieurs octets par caractère.

Ce qu’est un graphème

Un graphème (un « extended grapheme cluster » dans le standard Unicode) est ce qu’un lecteur voit comme un seul caractère. En coulisses, il peut s’agir de plusieurs points de code Unicode, et chaque point de code occupe de 1 à 4 octets en UTF-8 :

TexteGraphèmesOctets UTF-8.length en JavaScript
a111
é (un point de code)121
é (e et un accent combinant)132
日131
👍142
👋🏽 (avec une couleur de peau)184
🇫🇷 (un drapeau)184
👨‍👩‍👧‍👦 (une famille)12511

C’est pourquoi un compteur qui utilise le .length de JavaScript (unités de code UTF-16) ou le len() de Python (points de code) ne donne pas le même résultat que l’app Bluesky : tous deux comptent un emoji comme plusieurs caractères.

Le compter en TypeScript

Intl.Segmenter est intégré à Node.js et à tous les navigateurs récents :

ts
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 };
}

Avec le paquet @atproto/api, RichText donne les deux mêmes nombres :

ts
import { RichText } from "@atproto/api";

const rt = new RichText({ text });
rt.graphemeLength; // graphèmes
rt.length; // octets UTF-8

Le compter en Python

Le len() de Python compte les points de code. Le paquet regex (et non le module re intégré) reconnaît un graphème avec \X :

py
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}

Liens et mentions

L’app Bluesky raccourcit un lien long dans le texte qu’elle publie et garde l’adresse complète dans une facette : un lien compte donc pour sa forme courte. Un bot qui publie par l’API envoie le texte tel quel : chaque caractère du lien compte, sauf si le bot raccourcit lui-même le texte visible et ajoute la facette. Les facettes pointent dans le texte par positions en octets UTF-8, pas en caractères, pour les mêmes raisons que ci-dessus.

Comment le découpage en fil coupe

Quand un texte est trop long, l’aperçu du fil du compteur le découpe en posts qui respectent chacun les deux limites :

  1. il prend autant de graphèmes que possible, sans jamais en couper un en deux ;
  2. il revient au dernier saut de paragraphe, sinon à la fin d’une phrase, sinon à une espace, tant que cela garde au moins la moitié du post ;
  3. avec la numérotation, le suffixe 1/3 compte dans les limites : les parties sont calculées avec lui.

Pour publier les parties en fil depuis un bot, chaque post après le premier répond au précédent, le premier servant de racine : voir Programmer des posts et Bonnes pratiques.

Compteur de caractères

Comptez votre post comme Bluesky le compte.