Como o Bluesky conta o comprimento de uma publicação
Porque é que o Bluesky conta grafemas e não caracteres: os limites de 300 grafemas e 3000 bytes de uma publicação, com exemplos e código em TypeScript e Python.
Dois limites, uma publicação
O texto de uma publicação do Bluesky é o campo text de um registo app.bsky.feed.post. O seu léxico fixa-lhe dois limites, e uma publicação tem de respeitar os dois:
maxGraphemes: 300: no máximo 300 grafemas, o limite que se vê na app;maxLength: 3000: no máximo 3000 bytes depois de o texto ser codificado em UTF-8.
O segundo limite raramente importa: 300 grafemas de texto latino ocupam cerca de 300 a 600 bytes. Só aparece com sequências longas de emoji ou com escritas que ocupam vários bytes por carácter.
O que é um grafema
Um grafema (um «extended grapheme cluster» no padrão Unicode) é aquilo que um leitor vê como um só carácter. Por dentro, pode ser formado por vários pontos de código Unicode, e cada ponto de código ocupa de 1 a 4 bytes em UTF-8:
| Texto | Grafemas | Bytes UTF-8 | .length em JavaScript |
|---|---|---|---|
a | 1 | 1 | 1 |
é (um ponto de código) | 1 | 2 | 1 |
é (e e um acento combinante) | 1 | 3 | 2 |
日 | 1 | 3 | 1 |
| 👍 | 1 | 4 | 2 |
| 👋🏽 (com tom de pele) | 1 | 8 | 4 |
| 🇫🇷 (uma bandeira) | 1 | 8 | 4 |
| 👨👩👧👦 (uma família) | 1 | 25 | 11 |
É por isso que um contador que usa o .length do JavaScript (unidades de código UTF-16) ou o len() do Python (pontos de código) não coincide com a app do Bluesky: ambos contam um emoji como mais de um carácter.
Contar em TypeScript
O Intl.Segmenter vem integrado no Node.js e em todos os navegadores atuais:
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 };
}Com o pacote @atproto/api, o RichText dá os mesmos dois números:
import { RichText } from "@atproto/api";
const rt = new RichText({ text });
rt.graphemeLength; // grafemas
rt.length; // bytes UTF-8Contar em Python
O len() do Python conta pontos de código. O pacote regex (e não o módulo re integrado) reconhece um grafema com \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}Ligações e menções
A app do Bluesky encurta uma ligação longa no texto que publica e guarda o endereço completo numa faceta, por isso uma ligação conta pela sua forma curta. Um bot que publica pela API envia o texto tal como está: cada carácter da ligação conta, a menos que o próprio bot encurte o texto visível e acrescente a faceta. As facetas apontam para partes do texto por posições em bytes UTF-8, não em caracteres, pelas mesmas razões acima.
Como o divisor em sequência corta
Quando um texto é demasiado longo, a pré-visualização da sequência do contador corta-o em publicações que respeitam, cada uma, os dois limites:
- leva tantos grafemas quantos couberem, sem nunca partir um ao meio;
- recua até à última quebra de parágrafo, senão até ao fim de uma frase, senão até um espaço, desde que isso mantenha pelo menos metade da publicação;
- com a numeração ativa, o sufixo
1/3conta para os limites, por isso as partes são calculadas com ele.
Para publicar as partes como sequência a partir de um bot, cada publicação depois da primeira responde à anterior, com a primeira como raiz: veja Agendar publicações e Boas práticas.