ZWJ 序列的构成
零宽连接符 U+200D（Zero Width Joiner，类别 Cf）在 emoji 之间起黏合作用：基础 emoji + ZWJ + 基础 emoji 反复拼接，就形成「一个」视觉整体，例如家庭、职业人物、爱心与火焰组合。标准中以 RGI 序列的形式规定哪些组合应当被整体渲染，但各平台支持度不同：被支持时显示为一个图，不被支持时退化为几个分开的 emoji，甚至显示为字符加方框。对程序而言，这类序列是多个码点加格式字符，长度、截断、去重与校验都必须按整体处理。
基本信息
| 连接符 | U+200D（Zero Width Joiner），通用类别为 Cf |
|---|---|
| 典型构成 | 基础 emoji + ZWJ + 基础 emoji，可反复拼接 |
| 长度 | 一个组合序列可能含多个码点，UTF-8 下可超过 20 字节 |
| 渲染差异 | 支持则整体显示，不支持则拆成多个独立 emoji |
| 相关机制 | 变体选择符控制呈现，肤色修饰符改变配色 |
| 处理原则 | 按字形簇或序列整体计数、截断与校验 |
典型使用场景
- 字数限制：一个组合作品必须算 1 个，否则用户被误判超长
- 文本截断与摘要：按序列切分，避免输出半截组合
- 数据清洗：过滤格式字符时要把 ZWJ 排除，否则表情被拆散
- 显示与兼容：不支持该序列的终端需降级显示，避免出现方块
- 内容审核：组合序列可用于表达隐藏含义，审核规则应基于码点序列
序列观察与切分
序列观察与切分
python -c "s='\U0001F468\u200d\U0001F469\u200d\U0001F467'; print(len(s), len(s.encode('utf-8')), [hex(ord(c)) for c in s])" # 5 码点 / 18 字节
python -c "import unicodedata as u; print(u.category('\u200d'))" # Cf：格式字符
# 按字形簇切分：第三方 regex 模块的 \X 能正确处理 ZWJ 序列
python -c "import regex; print(regex.findall(r'\X', 'a\U0001F468\u200d\U0001F469b'))" 2>/dev/null || echo 'regex 模块未安装'
# 检测是否含 ZWJ 组合
python -c "s='\U0001F468\u200d\U0001F469'; print('\u200d' in s)"
# 清洗格式字符时保护 ZWJ（示例：只删掉不在 emoji 序列里的 Cf）常见序列类型
| 类型 | 构成 | 计数口径 |
|---|---|---|
| 基础 emoji | 单个码点 | 1 |
| 带呈现选择符 | 码点 + U+FE0F/U+FE0E | 1 |
| 带肤色修饰 | 码点 + U+1F3FB-U+1F3FF | 1 |
| ZWJ 组合 | 多个 emoji 由 U+200D 连接 | 1（整体） |
| 旗帜 | 两个区域指示符字母组合 | 1（整体） |
| 键帽序列 | 数字 + 变体选择符 + 包围键 | 1（整体） |
ZWJ 是格式字符而不是可见字符：它占码点但不占显示宽度。长度统计若按码点算，含组合 emoji 的内容会明显偏长；若按显示宽度算，又需要先按字形簇聚合，否则会出现宽度为 0 的孤立 ZWJ。
通用清洗规则是数据破坏的高发点：删除不可见字符（Cf 类）的规则会把 ZWJ 一并删掉，导致组合表情退化成几个随机 emoji 或孤立符号。清洗前后必须用组合序列样本做回归测试。
支持度差异要在产品层兜底：同一组合序列在旧系统上可能显示为多个表情或方块。设计上要么限定使用的 emoji 范围，要么接受降级显示，并在文档里说明不同平台的差异。