OCaml如何计算含Unicode编码字符串的实际字符长度

OCaml标准库的Caml.String.length、Base.String.length都是按字节统计长度，而Unicode字符默认使用UTF-8编码时会占用1~4个字节，所以你示例中的单个Unicode字符会返回3（该字符UTF-8编码占3字节）。如果要获取实际的字符数量，可以参考以下两种方案：

方案1：统计Unicode码点数量（适用于绝大多数普通场景） #

使用OCaml生态常用的UTF编码处理库uutf实现：

1. 先安装依赖：
   opam install uutf
2. 封装长度计算函数：

let unicode_codepoint_length s =
  let rec count decoder acc =
    match Uutf.decode decoder with
    | `Uchar _ -> count decoder (acc + 1)
    | `End -> acc
    | `Malformed _ -> failwith "输入字符串不是合法的UTF-8编码"
    | `Await -> assert false (* 完整字符串输入无需处理分块等待 *)
  in
  count (Uutf.decoder ~encoding:`UTF_8 (`String s)) 0

3. 测试效果：

utop # unicode_codepoint_length "\u{02227}";;
- : int = 1

方案2：统计Unicode字素簇数量（适用于需要处理组合字符的场景） #

如果遇到由多个码点组合成的单个视觉字符（比如带重音符号的字母、带表情修饰符的emoji等），需要按视觉上的单个字符统计时，使用uuseg库实现：

1. 先安装依赖：
   opam install uuseg
2. 封装长度计算函数：

let unicode_grapheme_length s =
  let seg = Uuseg.create `Grapheme_cluster in
  let rec count decoder acc =
    match Uuseg.add seg (Uutf.decode decoder) with
    | `Await -> count decoder acc
    | `Uchar _ -> count decoder (acc + 1)
    | `End -> acc
    | `Malformed _ -> failwith "输入字符串不是合法的UTF-8编码"
  in
  count (Uutf.decoder ~encoding:`UTF_8 (`String s)) 0

内容的提问来源于stack exchange，提问作者user0