Postgres如何统计UTF-8多字节emoji字符串的实际显示长度

Postgres 原生length()函数统计的是Unicode码点数量，本身符合SQL标准，你要的「用户感知字符数」对应Unicode标准中的字素簇（Grapheme Cluster），无需外部语言预处理的实现方案如下： #

方案1：基于正则元字符\X实现（推荐） #

\X是正则语法中专用于匹配单个字素簇的元字符，分割后统计非空项即可得到视觉字符数：

• 如果你使用Postgres 12及以上版本，且数据库编译时启用了ICU支持，直接创建如下自定义函数即可：

CREATE OR REPLACE FUNCTION visible_length(input_str text) 
RETURNS integer AS $$
SELECT count(*)
FROM regexp_split_to_table(input_str, '\X'::text) t(c)
WHERE c <> '';
$$ LANGUAGE sql STABLE;

• 如果你仍在使用Postgres 11，需要先安装pcre2扩展获得对\X元字符的支持，函数逻辑和上述完全一致。
• 效果验证：

SELECT visible_length('❤️'); -- 返回 1
SELECT visible_length('🏃‍♂️'); -- 返回 1
SELECT visible_length('你好World🎉'); -- 返回 8，符合视觉感知计数

方案2：自定义emoji映射表（无扩展依赖） #

如果无法升级数据库、也不能安装额外扩展，可以自己维护多码点emoji映射表，先把所有多码点emoji替换为单个占位符后再计数：

-- 提前创建emoji_map表，存储所有多码点emoji的完整字符串
CREATE OR REPLACE FUNCTION visible_length_no_ext(input_str text)
RETURNS integer AS $$
WITH emojis_replaced AS (
    SELECT regexp_replace(
        input_str, 
        (SELECT string_agg(emoji_str, '|') FROM emoji_map), 
        ' ', 
        'g'
    ) AS processed_str
)
SELECT length(processed_str) FROM emojis_replaced;
$$ LANGUAGE sql STABLE;

该方案的缺点是需要随Unicode新版emoji标准更新映射表，适合emoji使用场景可控的业务。 #

方案3：基于内置过程语言实现 #

如果你的数据库开启了PL/Perl、PL/Tcl等内置过程语言支持，可以直接调用语言本身的字素簇计数能力，以PL/Perl为例：

CREATE OR REPLACE FUNCTION visible_length_plperl(input_str text)
RETURNS integer AS $$
use Unicode::GCString;
return Unicode::GCString->new($_[0])->length;
$$ LANGUAGE plperl STABLE;

内容的提问来源于stack exchange，提问作者metalaureate