字符串有三种长度，而今天是哪里的今天
一句话总结
“昵称最多 10 个字”这一句话里，藏着三种长度：存储层统计的 UTF-8 字节数、Python len() 统计的码位数、人眼数到的字符数。再加上“相同的名字”和“今天”，我们要用数字对齐这些人眼与机器的计数出现分歧的地方。
为什么需要它
注册界面说“最多 6 个字”，服务器用 len(name) <= 6 检查，存储列却是按字节计算的。在只用英文的测试里，三者相同，没有任何问题。然而一旦输入一个家庭 emoji，屏幕上是一个字符，len() 却是 5，字节数是 18。通知预览按字节截断后，末尾会出现一个带问号的菱形；在 Mac 上粘贴过来的韩文名字，明明是同一个名字，却能通过重复检查。
日期也是同样的形状。事件以 UTC 打时间戳，而用户过的是自己时区的“今天”。如果按 UTC 日期汇总每日统计，首尔用户早上九点之前的活动会被算到前一天。
工作原理
三种长度。 这是在本 Pod 的 Python 3.12 上测得的例子。
| 字符串 | 码位 | UTF-8 字节 | 人眼所见的字符 |
|---|---|---|---|
a |
1 | 1 | 1 |
ß |
1 | 2 | 1 |
가（预组合形） |
1 | 3 | 1 |
가（分解为字母，NFD） |
2 | 6 | 1 |
é（e + 组合重音符） |
2 | 3 | 1 |
👍🏽（带肤色修饰符） |
2 | 8 | 1 |
| 家庭 emoji（用 ZWJ 连接三个人） | 5 | 18 | 1 |
Python 文档把 str 定义为“码位的不可变序列”，所以 len() 就是码位数。字节数由编码决定。RFC 3629 的 UTF-8 用 1–4 个八位字节表示一个字符，后续的八位字节都是 10xxxxxx 形式，由第一个八位字节告知整体长度。因此正如 RFC 所说，在八位字节流的任何位置都很容易找到字符边界。按字节上限截断时，只要向后退到不是 10xxxxxx 的位置，就不会留下残缺的字符。
人眼所见的字符是 UAX #29 的字素簇（grapheme cluster）。它由不在组合标记和 ZWJ 之前断开的规则（GB9）、把韩文字母 L、V、T 合成一个音节的规则（GB6–GB8）、emoji ZWJ 序列规则（GB11）、国旗成对规则（GB12、GB13）等构成。标准库 unicodedata 里没有划分这种边界的函数。所以实验中要自己写简化后的规则：组合标记、变体选择符、肤色修饰符、ZWJ 要附着在前一个字符上，ZWJ 之后的字符也要附着，字母按 L、V、T 规则合并。不处理国旗、Prepend 和 SpacingMark，并且省略了 GB11 中“前面必须是图形符号”的条件。真实服务应使用实现了 UAX #29 的库，并确认该库遵循的 Unicode 版本。
相同的名字。 UAX #15 把相同分成两种。规范等价（canonical）是“抽象字符相同，且正确渲染后始终看起来一样”的关系，预组合形 가 与字母 ㄱ+ㅏ 就是这样。NFC、NFD 就是用来对齐它的。兼容等价（compatibility）更弱，外形可以不同。全角 Ｋ 与 K，连字 fi 与 fi，由 NFKC、NFKD 来对齐。同一份文档警告说，KC 和 KD 会抹掉格式区分，所以“不能盲目地应用到任意文本上”。因此原文保持不变，只把它用在比较用的键上。
大小写方面，str.casefold 文档中的例子已经把一切说清楚了。ß 本来就是小写，所以 lower() 保持不变，而 casefold() 把它换成 ss。Straße 和 STRASSE 用 lower 分得开，用 casefold 就会相遇。
“今天”是哪里的今天。 datetime 文档中有两句话。给 aware datetime 加上 timedelta，“不做时区调整”。两个带有相同 tzinfo 的 aware 对象相减，会忽略 tzinfo，返回墙钟时间之差。zoneinfo 文档中的例子就是它的结果。在洛杉矶 12:00 上加 timedelta(days=1)，在夏令时结束的第二天仍是 12:00。反过来，如果在转换成 UTC 的那个瞬间再加 24 小时，转换日那天当地时间就会偏移一小时。“每天 09:00”是为每个当地日期生成 09:00 再换成 UTC，而两次预约之间的实际间隔，必须在换成 UTC 之后再相减，才会显现出 23 小时和 25 小时。zoneinfo 读取系统的 IANA 数据库或 tzdata 包，所以容器镜像里有没有这些数据，也需要确认。
在现场相遇的样子
编码判定、乱码（mojibake）、剔除不可见字符，在“处理客户数据”课程的 fde-dat-encoding 实验中有深入讲解。夏令时转换日不存在的时刻与出现两次的时刻，如何用 fold 区分，由“日志来自未来”课程负责。用 errors="ignore" 悄悄吞掉被截断的字符串、最后以 0 结束的批处理为什么危险，由“失败了，退出码却是 0”课程从工具纪律的角度来讲。本模块位于它们之间，负责把计数——即长度、截断、相等、日期——确定为服务规则。
下一项实验要做什么
统计 360 个昵称的字节数、码位数和字符数，实现简化的字符规则，然后按字节上限和字符上限不破坏字符地截断。依次叠加 NFC、casefold、NFKC 来统计冲突的名字，把 UTC 事件按当地日期汇总，把跨越夏令时的“每天 09:00”预约换成 UTC，最后把这一切汇总成一个注册审核函数。