emoji 的码位与编码
emoji 没有独立编码体系，它们就是 Unicode 码位：早期来自日本运营商的私有映射，Unicode 6.0 起被正式收录并持续增补。码位集中在补充符号与象形文字区（U+1F300 以上），也有一部分在基本平面内（如杂项符号区）。编码代价因此分两类：基本平面内的 emoji 在 UTF-8 下 3 字节、UTF-16 下 1 个编码单元；增补平面的 emoji 是 4 字节、2 个编码单元（代理对）。显示外观由字体与平台决定，同一码位在不同系统上样式不同。
基本信息
| 主要码位区间 | U+1F300-U+1FAFF 等区块，部分在基本平面（U+2600 附近） |
|---|---|
| UTF-8 长度 | 基本平面 3 字节 / 增补平面 4 字节 |
| UTF-16 长度 | 基本平面 1 个编码单元 / 增补平面 2 个（代理对） |
| 呈现选择 | 变体选择符 U+FE0F 表示彩色的 emoji 呈现，U+FE0E 表示文本呈现 |
| 肤色 | U+1F3FB-U+1F3FF 作为修饰符加在基础 emoji 之后 |
| 存储要求 | 数据库与列需支持 4 字节字符（如 utf8mb4） |
典型使用场景
- 输入校验：判断内容是否含 emoji，或按业务限制 emoji 使用范围
- 存储与迁移：确认数据库、列、连接都能保存 4 字节字符
- 长度统计：昵称、评论的字数限制需要按字形簇而非码点或字节
- 显示与字体：同一 emoji 在不同平台样式不同，界面对齐与字号需实测
- 数据清洗：emoji 常夹带变体选择符与零宽连接符，过滤规则要按序列处理
码位与字节观察
码位与字节观察
python -c "e='\U0001F600'; print(hex(ord(e)), len(e.encode('utf-8')), len(e.encode('utf-16-le'))//2)" # 0x1f600 4 字节 / 2 个编码单元
python -c "print(hex(ord('\u2764')), hex(ord('\ufe0f')))" # 心形码位 + 变体选择符
python -c "print([hex(ord(c)) for c in '\U0001F44D\U0001F3FD'])" # 拇指 + 肤色修饰符
python -c "print('\U0001F600'.encode('utf-8'))" # b'\xf0\x9f\x98\x80'
# 粗略判断是否落在常用 emoji 区间（工程上建议用官方 emoji 数据或成熟库）
python -c "print(0x1F300 <= ord('\U0001F600') <= 0x1FAFF)"常见形态与长度
| 形态 | 构成 | UTF-8 字节 |
|---|---|---|
| 基础 emoji（增补平面） | 单个码点 | 4 |
| 基础 emoji（基本平面） | 单个码点 | 3 |
| 带变体选择符 | 码点 + U+FE0F | 3 或 6 |
| 带肤色修饰 | 码点 + 修饰符 | 8 |
| 组合序列 | 多码点经 ZWJ 连接 | 可达 20 字节以上 |
不要用码点区间穷举判断 emoji：Unicode 每个版本都在增补，且存在区域指示符、键帽序列、旗帜与组合序列等特殊形态。工程上应使用 Unicode 官方 emoji 数据或成熟库，并允许随版本更新。
只支持 3 字节字符的环境会直接拒绝或截断 emoji：MySQL 的 utf8 就是典型例子，写入报错或被替换成问号，且丢失不可逆。涉及 emoji 的业务必须在库表、连接、接口层全部支持 4 字节字符。
emoji 的视觉与语义不一致是常态：同一码位在不同平台样式差别很大，某些 emoji 在不同文化中含义不同。涉及内容审核与展示效果的场景，应以目标平台实测为准，不要假设样式统一。