Documentação da ferramenta

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:

TextoGrafemasBytes UTF-8.length em JavaScript
a111
é (um ponto de código)121
é (e e um acento combinante)132
日131
👍142
👋🏽 (com tom de pele)184
🇫🇷 (uma bandeira)184
👨‍👩‍👧‍👦 (uma família)12511

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:

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 };
}

Com o pacote @atproto/api, o RichText dá os mesmos dois números:

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

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

Contar em Python

O len() do Python conta pontos de código. O pacote regex (e não o módulo re integrado) reconhece um grafema com \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}

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:

  1. leva tantos grafemas quantos couberem, sem nunca partir um ao meio;
  2. 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;
  3. com a numeração ativa, o sufixo 1/3 conta 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.

Contador de caracteres

Conte a sua publicação como o Bluesky a conta.