字形簇与字形的区别
字形簇（grapheme cluster）是文本层面的单位，对应「用户认为的一个字符」：一个基字符连同它后面的组合标记、或者一个完整的 emoji 序列，都算一个簇。Unicode 在字形簇边界规则中定义了如何把这些码点聚合成簇，并区分了较简单的传统模式与更完整的扩展模式（后者是推荐的默认）。字形（glyph）则是渲染层面的图形：一个字形可能画出多个字符（如连字），一个字符也可能在上下文里换用不同字形。理解这两个层次，才能解释「明明一个字却被程序算成两个」的困惑。
基本信息
| 定义 | 用户感知的单个字符单位，可由多个码点组成 |
|---|---|
| 典型组成 | 基字符 + 组合标记；emoji + 修饰符；ZWJ 组合序列；旗帜 |
| 规则来源 | Unicode 字形簇边界规则（扩展字形簇为推荐默认） |
| 与字形区别 | 字形是渲染图形，字形簇是文本单位 |
| 切分方式 | 按规则分段，不按码点或编码单元 |
| 常用实现 | ICU 边界迭代、Python regex 模块的 \X、JavaScript Intl.Segmenter |
典型使用场景
- 编辑器操作：退格、光标左右移动、按字符选择都应按簇执行
- 字数统计：面向用户的长度限制与统计按簇而非码点
- 截断与省略号：按簇截断，避免输出半截字符或孤立修饰符
- 文本反转与逐字处理：按簇反转才符合直觉，按码点反转会破坏组合
- 检索与高亮：按簇定位命中范围，避免高亮框断裂
按簇切分示例
按簇切分示例
# 组合标记：一个预组合字符与其分解形式在字形簇层面相同
python -c "import unicodedata as u; s=u.normalize('NFD','caf\u00e9'); print(len(s))" # 码点 4（e 与重音分开）
python -c "import regex; print(len(regex.findall(r'\X', 'cafe\u0301')))" 2>/dev/null || echo '需字形簇库'
# 逐簇遍历而非逐码点遍历
python -c "import regex; print(regex.findall(r'\X','\U0001F468\u200d\U0001F469 a'))" 2>/dev/null || echo '需字形簇库'
# JavaScript：Intl.Segmenter 按字形簇分段
# const seg = new Intl.Segmenter('zh', { granularity: 'grapheme' }); [...seg.segment(s)]层次对照
| 内容 | 码点数 | 字形簇数 | 说明 |
|---|---|---|---|
| 字母 e | 1 | 1 | 最简情况 |
| e + 组合急音符 | 2 | 1 | 分解形式的单字符 |
| emoji + 肤色修饰符 | 2 | 1 | 修饰符属于同一簇 |
| ZWJ 家庭序列 | 3 至 7 | 1 | 整段按一簇处理 |
| 旗帜 | 2 | 1 | 两个区域指示符合成一簇 |
| 连字 fi | 2 | 2 | 渲染成一个字形，但文本上仍是两个字符 |
「一个字符」在工程里有四种含义：字节、码点、编码单元、字形簇。处理用户可见文本时用字形簇；处理存储与传输时用字节；处理语言内部字符串索引时用编码单元。把口径写进接口文档，能避免大量跨端争议。
按码点切分会破坏内容：切掉组合标记会留下「裸」基字符，切掉 ZWJ 序列的一部分会得到孤立 emoji，切掉代理对的一半会产生非法序列。所有面向用户的截断与删除操作都应基于字形簇。
传统模式与扩展模式的差别主要出现在 emoji、区域指示符与某些换行相关序列上。默认应使用扩展模式，老系统只支持传统模式时会出现「计数不一致」的现象，跨系统对比时要注意这一差异。