2022 年，支付宝上线了生僻字键盘，解决了“身份认证”环节中普通输入法经常打不出生僻字的问题。生僻字键盘是蚂蚁集团生僻字解决方案的一部分，本系列将持续分享其背后的字符编码科普文章，包括不限于：《文字是如何显示在屏幕上的？》、《字符编码工作者都在做什么》，敬请期待。

本文作者是蚂蚁集团前端工程师醉杭（👉 点击查看醉杭的成长故事），本篇将介绍 Emoji 的编码逻辑，以及如何在代码中正确处理 Emoji 。蚂蚁集团前端工程师七柚封装了字符处理 JS 库，已开源，欢迎使用～ https://github.com/alipay/character-js 

 结论先行

• 基本 emoji 和常用 Unicode 字符毫无区别

每个 emoji 用对应一个 Unicode 码位，如：🌔 U+1F314 (对应 JS 中 UTF-16 编码是："\uD83C\uDF14")，汉字 𠇔 U+201D4，对应 JS 中的 UTF-16 编码是"\uD840\uDDD4"

• emoji 有特殊的修饰、拼接等规则

在某些 emoji 字符后增加一个肤色修饰符改变 emoji 的肤色、可以将多个 emoji 通过连接符拼接成一个 emoji，这些特殊规则使得在代码中判定 emoji 的长度、截取和对 emoji 做其他处理都比较困难。需要澄清的是：用一个 Unicode 字符修饰前一个字符不是 emoji 独有的，其他 Unicode 字符也存在，如：Ü，由大写字母 U（U+0055），后面跟一个连音符号（U+0308）组成。

• 术语

码点/码位：Unicode 编码空间中的一个编码，如，汉字𠇔的码位是 201D4，通常表示为：U+201D4

  起源

1982 年，卡内基美隆大学是首次在电子公告里中使:-)表情符号。后续在日本手机短信中盛行，并称为颜文字（日语：かおもじ，英文：emoticon），颜文字仍然是普通的文本字符。

1999 年，栗田穰崇 (Shigetaka Kurita) 发明了 e-moji (え-もじ)，并设计了 176 个 emoji 符号，共 6 种颜色，分辨率为 12x12。

纽约博物馆馆藏：最初的 176 个 emoji

2010 年，Unicode 正式收录了 emoji，为每个 emoji 分配了唯一的码点。

2011 年，Apple 在 iOS 中加入了标准的 emoji 输入键盘，2 年后安卓系统也引入了 emoji 键盘。

  Unicode

Unicode 中原本就收录了很多有意义的字符，如：㎓、𐦖、☳，大家还可以查看 Unicode 1 号平面的埃及象形文字区 (U+13000–U+1342F)（https://www.unicode.org/charts/PDF/U13000.pdf）。收录 emoji 对 Unicode 来说没有挑战，技术上是完全兼容的。

Unicode 象形文字区节选

  Emoji 的编码

基本 emoji

基本 emoji 是指在 Unicode 编码表中用 1 个唯一码位表示的 emoji

最简单的 emoji 就是 Unicode 表中的一个字符，和我们常用的 Unicode 字符没有区别。多数基本 emoji 都被分配到 Unicode 编码表 1 号平面的 U+1F300–1F6FF 和 U+1F900–1FAFF 两个区域，完整的列表请看 https://unicode.org/Public/emoji/15.0/emoji-sequences.txt

Unicode 中 emoji 的码位

我们常见的 emoji 是彩色的，而常见的字体是黑色的。字符的颜色取决于字体文件，如果你愿意，你也可以把其常见的汉字字体设计成彩色的。iOS/MacOS 的Apple Color Emoji字体是一种 160x160 的点阵字体， Android 的Noto Emoji是一种 128x128 的点阵字体，而 Windows 使用的 Segoe UI Emoji 是一种矢量彩色字体。

❓问：为什么同一个 emoji 在不同设备、不同软件中显示不同？

不同设备、软件使用了不同的 emoji 字体所以显示效果不同。Unicode 只是约定了码点到 emoji 的映射关系，并没有约定 emoji 图形，每个 emoji 字体文件可以按照自己的想法设计 emoji。

同一个 emoji 在不同软件上的显示效果

❓问：为什么在钉钉中发送[憨笑]会显示成 ？

早期包含 Unicode emoji 的字体还没广泛普及，你给对方发一个 emoji 符号😄，如果对方设备没有对应的字体看到的会是？。

为了解决缺失 emoji 字体导致大家显示不一致的问题(或者为了方便自定义自己的伪emoji——为了方便描述，把软件自定义的图片称作伪 emoji)，很多软件自己开发了能向下兼容的解决方案，如钉钉。该自定义方案与 Unicode 编码没有关系，只是将特殊的字符串与一张图片映射起来，当对方发送[xx]字符串时，将它显示成对应的图片。

早期支付宝的转账备注功能中也定义了自己的伪emoji。伪emoji的好处是向下兼容，如果使用标准的Unicode emoji 可能会导致别的系统无法处理(如：做了汉字正则校验)，导致转账失败；弊端是不通用，别的系统通常不支持另一个系统定义的伪emoji，直接将[xx]文本显示出来，如：收银台在支付界面就会直接显示转账备注的伪 emoji 文本[xx]。

字素集

字素集（grapheme cluster）在 Unicode 中通常一个码点对应一个字符，但是 Unicode 引入了特定的机制允许多个 Unicode 码点组合成一个字形符号。这样由于多个码点组合成的一个字符称作字素集。

比如Ü是一个字素集，是由两个码点组成：大写字母 U（U+0055），后面跟一个连音符号（U+0308）。再比如：'曙󠄀'.length=3、'🤦🏼‍♂️'.length=7，前者由基本的曙字符加上一个变体选择符️ VS-17 (见后文)组成，后者由多个基础 emoji 和修饰符、连接符组成。

Ų̷̡̡̨̫͍̟̯̣͎͓̘̱̖̱̣͈͍̫͖̮̫̹̟̣͉̦̬̬͈͈͔͙͕̩̬̐̏̌̉́̾͑̒͌͊͗́̾̈̈́̆̅̉͌̋̇͆̚̚̚͠ͅ[左边是一个.length 为 65 的字素集，它是不可分割的一个字符]

在 Unicode 的规范中要求所有软件(本编辑器、文本渲染、搜索等)将一个字素集当做不可分割的整体，即：当做一个单一的字符对待。

Unicode 处理的难点就在于字素集，下文均与该定义有关，开发者的噩梦都源自该概念。不能简单地通过 .length 读取字符串的长度；如果想截取字符串的前 10 个字符，也不能简单的使用.substring(0, 10)，因为这可能会截断 emoji 字符；反转字符串也非常困难，U+263A U+FE0F 有意义，反转之后 U+FE0F U+263A 却没有意义，后文会介绍正确的处理方式。

变体选择符️

Variation Selector（又叫异体字选择器），是 Unicode 中定义的一种修饰符机制。一个基本字符后接上一个异体字选择器组成一个异体字。背景是：一个字符可能会有多个不同的变体，这些变体本质上是同一个字符，具有同样的含义，由于地区、文化差异导致他们演变成了不同的书写形式。Unicode 为变体字分配了同一个码点，如果想要显示特定的书写形式可以在字符后紧接着一个异体字选择器指定。

就是变体字。需要澄清的是，并非所有相似的字符都按照异性字的形式合并成了一个码点，値和值就是分别分配了不同的码点，理论上这两个字符也可以合并变体字共用一个码点。

在 Unicode 中引入彩色的 emoji 前就已经定义了一些黑色的图形符号，引入彩色 emoji 后，新的 emoji 与黑色的符号具有相同的含义，于是共用了同一个 Unicode 码点，可在字符后接上一个 VS 指定要显示那个版本。

常用的 VS 有 16 个 VS-1 ~ VS-16，对应的 Unicode 是(U+FE00~U+FE0F)，其中 VS-15（U+FE0E）用于指定显示黑色的 text 版本，VS-16（U+FE0F）用于指定显示彩色的 emoji 版本。

可以动手验证一下

• ✂ 不含修饰符'\u2702'
• ✂︎ 含 VS-15'\u2702\uFE0E'
• ✂️ 含 VS-16'\u2702\uFE0F'

❓问：为什么把黑色的剪刀 ✂︎ 粘贴到 Chrome 搜索栏中显示成彩色，把彩色剪刀 ✂️ 复制到 Chrome 的 Console 中显示成黑色？

我们通过 VS 符号告诉软件要显示成指定的异体字符，但是软件可以不听我们的，软件可能会强制指定特定的字体，如果该字体中只包含一种异体字符的字形数据那就只会显示该字形。

肤色修饰符

大多数人形相关的 Emoji 默认是黄色的，在 2015 年为 emoji 引入肤色支持。没有为每种肤色的 emoji 组合分配新的码点，而是引入了五个新码点作为修饰符：1F3FB 🏻、1F3FC 🏼、1F3FD 🏽、1F3FE 🏾、1F3FF 🏿 。肤色修饰符追加到现有的 emoji 后面则形成新的变种，如：👋 U+1F44B+ 🏽U+1F3FD= 👋🏽

• 👋  在 JavaScript 中 UTF-16 值是'\uD83D\uDC4B'
• 🏽 在JavaScript中UTF-16值是'\uD83C\uDFFD'
  组合在一起'\uD83D\uDC4B\uD83C\uDFFD'就得到了 👋🏽
  

5 种肤色修饰符的取值是基于菲茨帕特里克度量，因此叫做 EMOJI MODIFIER FITZPATRICK。肤色度量共有 6 个取值，但在 emoji 中前两个颜色合并成了一个。

最终 280 个人形 emoji 就产生了 1680 种肤色变种，这是五种不同肤色的舞者：🕺🕺🏻🕺🏼🕺🏽🕺🏾🕺🏿

零宽度连接符（ZWJ）

Unicode 通过多个基础 emoji 组合的形式表示某些复杂 emoji。组合的方式是在两个 emoji 之间添加一个U+200D，即：零宽度连接符（ZERO-WIDTH JOINER，简写为 ZWJ），如：

• 👩 + ZWJ+ 🌾 = 👩‍🌾

下面是一些例子，完整的组合列表参考：https://unicode.org/Public/emoji/15.0/emoji-zwj-sequences.txt

• 👩 + ✈️ → 👩‍✈️
• 👨 + 💻 → 👨‍💻
• 👰 + ♂️ → 👰‍♂️
• 🐻 + ❄️ → 🐻‍❄️
• 🏴 + ☠️ → 🏴‍☠️
• 🏳️ + 🌈 → 🏳️‍🌈
• 👨 + 🦰 → 👨‍🦰 （有意思的是：发色是通过 ZWJ 组合基础 emoji 实现，而肤色则是用肤色修饰符实现）
• 👨🏻 + 🤝 + 👨🏼 → 👨🏻‍🤝‍👨🏼
• 👨 + ❤️ + 👨 → 👨‍❤️‍👨
• 👨 + ❤️ + 💋 + 👨 → 👨‍❤️‍💋‍👨
• 👨 + 👨 + 👧 → 👨‍👨‍👧
• 👨 + 👨 + 👧 + 👧 → 👨‍👨‍👧‍👧

可惜，有些 emoji 不是通过 ZWJ 组全 emoji 实现的，可能是因为没有赶上 ZWJ 定义的时机

• 🌂 + 🌧 ≠ ☔️
• 💄 + 👄 ≠ 💋
• 🐴 + 🌈 ≠ 🦄
• 👁 + 👁 ≠ 👀
• 👨 + 💀 ≠ 🧟
• 👩 + 🔍 ≠ 🕵️‍♀️
• 🦵 + 🦵 + 💪 + 💪 + 👂 + 👂 + 👃 + 👅 + 👀 + 🧠 ≠ 🧍

旗帜·双字母连字

Unicode 中包含国旗符号，每个国旗也没有分配独立的码点，而是由双字符连字（ligature）来表示。（但 Windows 平台因为某些原因不支持显示，如果你是用 Windows 平台的浏览器阅读本文，只能说抱歉了）

• 🇺 + 🇳 = 🇺🇳
• 🇷 + 🇺 = 🇷🇺
• 🇮 + 🇸 = 🇮🇸
• 🇿 + 🇦 = 🇿🇦
• 🇯 + 🇵 = 🇯🇵

这里的🇦 ~ 🇿不是字母，而是地区标识符，对应的码点是U+1F1E6~U+1F1FF，可以随意复制并组合，如果是合法的组合会显示成一个国家的旗帜。你可以在 MacOS 的 FontBook 中打开 Apple Color Emoji 查看到这些码点以及各个地区的旗帜符号

地区标识符

旗帜符号 标注了CN

完整地区标识符如下，你可以动手组合试一试：

🇦 🇧 🇨 🇩 🇪 🇫 🇬 🇭 🇮 🇯 🇰 🇱 🇲 🇳 🇴 🇵 🇶 🇷 🇸 🇹 🇺 🇻 🇼 🇽 🇾 🇿

标签序列

在 Unicode 中称作 Emoji Tag Sequence。在 Unicode 中U+E0020~ U+E007F 95 个码点表示的是Unicode 中不可见的控制符号，其中从E0061~E007A的 26 个码点分别表示小写的拉丁字符(不是常规的拉丁字母，而是 emoji 相关的控制字符)，对应关系如下：

• U+E0061 - TAG LATIN SMALL LETTER A
• U+E0062 - TAG LATIN SMALL LETTER B...
• U+E007A - TAG LATIN SMALL LETTER Z
  

前文的双字母连字机制支持将两个地区标识符连接在一起表示一个旗帜符号。标签序列与之类似，是 Unicode 中定义的一种更复杂的连接方式，格式是：基础emoji+ 一串拉丁标签字符(U+E0061~U+E007A) + 结束符(U+E007F)

如：🏴 + gbeng + U+E007F = 🏴󠁧󠁢󠁥󠁮󠁧󠁿

其中 🏴 是基础 emoji U+1F3F4，_gbeng _分别代表对应的拉丁控制字符： g(U+E0067)、b(U+E0062)、e(U+E0065)、 n(U+E006E)、g(U+E0067)，U+E007F表示结束符，全称是 TAG CANCEL

/**
 * 根据地区缩写返回对应的emoji
 * 如：flag('gbeng') -> 🏴󠁧󠁢󠁥󠁮󠁧󠁿
 */
function flag(letterStr) {
 const BASE_FLAG = '🏴';
 const TAG_CANCEL = String.fromCodePoint(0xE007F);
  // 将普通字母字符序列转换为"标签拉丁字符"序列
 const tagLatinStr = (letterStr.toLowerCase().split('').map(letter => {
  const codePoint = letter.charCodeAt(0) - 'a'.charCodeAt(0) + 0xE0061;
    return String.fromCodePoint(codePoint);
 })).join('');
 return BASE_FLAG + tagLatinStr + TAG_CANCEL;
}

目前用这种方式表示的 emoji 共有三个

• 🏴 + gbeng + U+E007F = 🏴󠁧󠁢󠁥󠁮󠁧󠁿 英格兰旗帜，完整序列：1F3F4 E0067 E0062 E0065 E006E E0067 E007F
• 🏴 + gbsct + U+E007F = 🏴󠁧󠁢󠁳󠁣󠁴󠁿 苏格兰旗帜，完整序列：1F3F4 E0067 E0062 E0073 E0063 E0074 E007F
• 🏴 + gbwls + U+E007F = 🏴󠁧󠁢󠁷󠁬󠁳󠁿 威尔士旗帜，完整序列：1F3F4 E0067 E0062 E0077 E006C E0073 E007F

键位符

共有 12 个键位符 #️⃣ *️⃣ 0️⃣ 1️⃣ 2️⃣ 3️⃣ 4️⃣ 5️⃣ 6️⃣ 7️⃣ 8️⃣ 9️⃣，规则是这样的：井号、星号和数字，加 U+FE0F 变成 emoji，再加上U+20E3变成带方框的键位符。

• * + FE0F + 20E3 = *️⃣
  
• # + FE0F + 20E3 = #️⃣
  
• 0 + FE0F + 20E3 = 0️⃣
  
• ...
  

U+FE0F是前文提到的变体选择符中的VS-16，表示显示为 emoji 形态。JavaScript 中'\u0030'表示数字'0','\u0030\ufe0f'则表示它的 emoji 变体，两者在 zsh 的 console 中显示效果不同，.length的值也不同。

小结

一共有七种 emoji 造字法

1. 基础 emoji，单个码点表示一个emoji 🧛 U+1F9DB
2. 单个码点 + 变体选择符 ⚛️ = ⚛︎ U+26A0 + U+FE0F
3. 皮肤修饰符 🤵🏽 = 🤵 U+1F935 + 🏽U+1F3FD
4. ZWJ 连接符  👨‍💻 = 👨 + ZWJ + 💻
5. 旗帜符号 🇨🇳 = 🇨 + 🇳
6. 标签序列 🏴󠁧󠁢󠁳󠁣󠁴󠁿 = 🏴 + gbsct + U+E007F
7. 键位序列 *️⃣ = * + U+FE0F + U+20E3

前四种方法也可以组合使用，可构造非常复杂的 emoji

U+1F6B5 🚵  个人山地骑行

+U+1F3FB 浅色皮肤

+U+200D ZWJ

+U+2640 ♀️女性标志

+U+FE0F 变体标志

= 🚵🏻‍♀️ 浅色皮肤的女性山地骑行

/**
 * 显示一个字符种所有的Unicode码点
 */
function codePoints(str) {
 const result = [];
 for(let i = 0; i < str.length; i ++) {
  result.push(str.codePointAt(i).toString(16).toUpperCase());
 }
 return result;
}
codePoints('🚵🏻‍♀️') => ['1F6B5', 'DEB5', '1F3FB', 'DFFB', '200D', '2640', 'FE0F']

  如何在代码中正确处理 emoji？

emoji 引入的问题

'中国人123'.length = 6，'工作中👨‍💻'.length = 8

emoji 给编程带来的主要问题是视觉上看到的字符长度（后文称作视觉 length）与代码中获取的长度（后文称作技术 length）不相同，使得字符串截取等操作返回非预期内的结果，如：

'工作中👨‍💻'.substr(0,5) => '工作中👨'，'工作中👨‍💻'.substr(5)' => '‍💻'

本质上在 emoji 出现之前 Unicode 编码就遇到了该问题，只不过 emoji 的普及让该问题更普遍。有的 emoji 长度为 1，有的长度可以达到 15。问题的根源是 Unicode 中可以用多个码点表示一个 emoji，如果所有 emoji 都用一个 Unicode 码点表示就不存在该问题。

解法：视觉 length VS. 技术 length

解法显而易见，只要能将字符串中所有的字符元素按照视觉上看到的情况准确拆分，即：准确拆解字符串中的所有字素集。

下述伪代码是要实现的效果，很多开源工具库就在做同样的事情，搜：Grapheme Cluster 即可。找到一个JavaScript版的grapheme-splitter，但是数据已经过时（勿用）。

const vs = new VisualString('工作中👨‍💻');
// vs.length => 4;      // 视觉长度
// vs.physicalLength => 8; // 字符串长度
// vs[0] => 工
// vs[3] => 👨‍💻               // 按照所见即所得的方式拆分字符
// 字素集方法
// vs.substr(3,1) => 👨‍💻      // 截取字符
// 字素集属性
// vs[3].physicalLength => 5  // 物理长度
// vs[3].isEmoji => true      // 是否是emoji

我们将产出工具库中将要提供这些能力

1. 判断一个字符串中是否包含 emoji
2. 将一个字符串准确拆分成若干个字素集

• 每个字素集包含这些属性：isEmoji、physicalLength

3. 按照字素集对字符串做截取操作

• 基础截取：new VisualString('👨123👨‍💻').substr(1, 4) => '123👨‍💻'
• 限定物理长度截取：new VisualString('👨123👨‍💻').substr(1, 4, 6) => '123'，最后一个参数6代表最大物理长度，其中'123👨‍💻'.length = 8，如果限定最大物理长度6则只能截取到'123'。备注：在产品体验上我们遵循“所见即所得”，但是在后端系统中传输和存储时候要遵循物理长度的限制，因此需要提供限定物理长度的截取能力。

版本兼容问题

如果 A 向 B 发送了一个组合 emoji「工作👨‍💻123」，B 的系统或软件中版本低(兼容的 Unicode 版本低)不支持该组合 emoji，看到的可能会是「工作👨💻123」。

用看到的是👨‍💻还是👨💻取决于用户的操作系统、软件和字体，我们提供的 JS 库无法感知到用户最终看到的是什么。我们提供的 JS 库会按照最新 Unicode 规范实现，无论用户看到的是什么都会把它当成一个字符(准确地说是字素集)，即：

const vs = new VisualString('工作👨💻123'); vs.length => 6; vs[2] => '👨💻'

有办法可以一定程度上解决上述问题，但是我们觉得可能不解决才是正确的做法。

最后希望你使用 emoji 愉快 😄

  一个彩蛋

发现 emoji 的维护者彻底贯彻「众生平等」，除了推出了不同肤色的 emoji 外，竟还设计了一个 Pregnant Man :)

🤰🫃🫄🏼 以上分别是 woman、man、person，emoji 的新趋势是设计中性的 emoji

  参考

• Full Emoji List, v15.0： https://unicode.org/emoji/charts/full-emoji-list.html
• Unicode Emoji 编程参考数据： https://unicode.org/Public/emoji/15.0/
• Emoji under the hood， 翻译版本： https://taoshu.in/emoji.html
• A Systematic Review of Emoji： https://www.frontiersin.org/articles/10.3389/fpsyg.2019.02221/full
• Apple Color Emoji：https://emojipedia.org/apple/ios-15.4/
• Noto Color Emoji：https://fonts.google.com/noto/specimen/Noto+Color+Emoji
• Unicode Emoji 正则：https://www.unicode.org/reports/tr51/#EBNF_and_Regex
• grapheme-splitter 代码参考（慎用，数据已过时）：https://github.com/orling/grapheme-splitter