做過聊天、評論或任何讓使用者自由輸入的功能,大概都撞過這面牆:後端資料庫欄位不支援 Emoji,使用者一貼表情就寫入失敗,甚至整筆資料變成亂碼。
服務端不支援 Emoji,因此客戶端在送出請求前必須攔下來。最直接的策略是:提交前先掃描使用者輸入,偵測到表情就提示重新輸入。整個方案的核心只有一個技術難點——怎麼判斷一段字串裡有沒有 Emoji。
Emoji 是一套源自日本的表情符號,最初只有 12×12 像素,由栗田穣崇設計,先在日本的網路與手機使用者間流行。自從 iOS 5 的輸入法內建了 Emoji 之後,這套符號迅速擴散,如今已被 Unicode 標準收錄,廣泛用於簡訊與各類社群平台。
關鍵在最後一句:Emoji 最終都會被編碼成 Unicode。也就是說,只要能掌握 Emoji 佔用的碼位範圍,就能判斷使用者是否輸入表情。
把判斷邏輯封裝成 NSString 的分類,呼叫起來最乾淨:
@implementation NSString (Emoji)
+ (BOOL)stringContainsEmoji:(NSString *)string
{
__block BOOL returnValue = NO;
[string enumerateSubstringsInRange:NSMakeRange(0, [string length])
options:NSStringEnumerationByComposedCharacterSequences
usingBlock:^(NSString *substring, NSRange substringRange, NSRange enclosingRange, BOOL *stop) {
const unichar hs = [substring characterAtIndex:0];
if (0xd800 <= hs && hs <= 0xdbff) {
// 高位代理,說明這是一個 4 字節字符
if (substring.length > 1) {
const unichar ls = [substring characterAtIndex:1];
const int uc = ((hs - 0xd800) * 0x400) + (ls - 0xdc00) + 0x10000;
if (0x1d000 <= uc && uc <= 0x1f77f) {
returnValue = YES;
}
}
} else if (substring.length > 1) {
const unichar ls = [substring characterAtIndex:1];
// 組合字符:基本字元 + U+20E3(keycap 系列)
if (ls == 0x20e3) {
returnValue = YES;
}
} else {
if (0x2100 <= hs && hs <= 0x27ff) {
returnValue = YES;
} else if (0x2B05 <= hs && hs <= 0x2b07) {
returnValue = YES;
} else if (0x2934 <= hs && hs <= 0x2935) {
returnValue = YES;
} else if (0x3297 <= hs && hs <= 0x3299) {
returnValue = YES;
} else if (hs == 0xa9 || hs == 0xae || hs == 0x303d || hs == 0x3030
|| hs == 0x2b55 || hs == 0x2b1c || hs == 0x2b1b || hs == 0x2b50) {
returnValue = YES;
}
}
}];
return returnValue;
}
@end
呼叫方式很直觀:
if ([NSString stringContainsEmoji:inputText]) {
NSLog(@"含表情,攔截");
}
這段判斷邏輯的重點是「按 composed character sequence 逐字元組遍歷」,而不是按 UTF-16 code unit 硬切,這樣才不會把一個表情拆成半個來判斷,這也是它比單純比對字串長度靠得住的原因。
不過要留意,Unicode 的 Emoji 集合一直在擴充,近年新增的?family、性別與膚色組合表情大量使用 ZWJ(零寬連接符)序列,這類新型表情未必完全落在上面的碼位區間內。如果你的業務只要求「攔掉表情」,上述做法已經堪用;若要求更嚴謹,建議改用系統內建的檢查方式,例如比對 NSCharacterSet 或使用 hasEmojiPresentation 之類的新版 API,並在資料庫層面改用 utf8mb4 這類支援 4 字節字元的編碼——能從根上解決,就不必在客戶端一路攔截。