Bluesky は投稿の長さをどう数えるか
Bluesky が文字ではなく書記素を数える理由。投稿の 300 書記素と 3,000 バイトの上限を、例と TypeScript・Python のコードで説明します。
1 つの投稿に 2 つの上限
Bluesky の投稿のテキストは、app.bsky.feed.post レコードの text フィールドです。そのレキシコンは 2 つの上限を定めていて、投稿は両方を満たす必要があります。
maxGraphemes: 300: 書記素で 300 まで。アプリで目にする上限です。maxLength: 3000: テキストを UTF-8 でエンコードしたときに 3,000 バイトまで。
2 つ目の上限が問題になることはまれです。ラテン文字のテキストなら 300 書記素で約 300〜600 バイトです。長い絵文字の連続や、1 文字に複数バイトを使う文字体系で初めて関係してきます。日本語の文字は UTF-8 で 1 文字 3 バイトなので、300 文字でも 900 バイトほどです。
書記素とは
書記素(Unicode 標準でいう「拡張書記素クラスタ」)は、読み手が 1 文字として見るものです。内部では複数の Unicode コードポイントでできていることがあり、各コードポイントは UTF-8 で 1〜4 バイトを使います。
| テキスト | 書記素 | UTF-8 バイト | JavaScript の .length |
|---|---|---|---|
a | 1 | 1 | 1 |
é(1 コードポイント) | 1 | 2 | 1 |
é(e と結合アクセント) | 1 | 3 | 2 |
日 | 1 | 3 | 1 |
| 👍 | 1 | 4 | 2 |
| 👋🏽(肌の色付き) | 1 | 8 | 4 |
| 🇫🇷(国旗) | 1 | 8 | 4 |
| 👨👩👧👦(家族) | 1 | 25 | 11 |
JavaScript の .length(UTF-16 コードユニット)や Python の len()(コードポイント)を使うカウンターが Bluesky アプリと一致しないのはこのためです。どちらも絵文字を 2 文字以上と数えます。
TypeScript で数える
Intl.Segmenter は Node.js と現在のすべてのブラウザに組み込まれています。
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 };
}@atproto/api パッケージの RichText でも、同じ 2 つの数が得られます。
import { RichText } from "@atproto/api";
const rt = new RichText({ text });
rt.graphemeLength; // 書記素
rt.length; // UTF-8 バイトPython で数える
Python の len() はコードポイントを数えます。regex パッケージ(組み込みの re ではありません)なら、\X で 1 つの書記素にマッチします。
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}リンクとメンション
Bluesky アプリは、投稿するテキスト内の長いリンクを短縮し、完全なアドレスはファセットに保持します。そのためリンクは短縮した形の分だけ数えられます。API から投稿するボットはテキストをそのまま送るので、ボット自身が表示テキストを短縮してファセットを付けない限り、リンクのすべての文字が数えられます。ファセットは文字ではなく UTF-8 のバイト位置でテキストを指します。理由は上と同じです。
スレッド分割の切り方
テキストが長すぎると、カウンターのスレッドプレビューは、それぞれが両方の上限を満たす投稿に分けます。
- 収まるだけの書記素を取り、1 つの書記素を途中で切ることはありません。
- 投稿の半分以上が残る範囲で、直前の段落の区切り、なければ文の終わり(「。」を含む)、なければスペースまで戻ります。
- 番号付けをオンにすると、
1/3という末尾も上限に数えるので、それを含めて分割します。
ボットから分割した投稿をスレッドとして投稿するには、最初の投稿をルートにして、2 つ目以降の各投稿を直前の投稿への返信にします。投稿の予約とベストプラクティスを参照してください。