Практика системного анализа · 4 минуты
Три символа или три байта: как задать ограничение длины текста
Как проверить ограничение длины текста: сравнить графемы, кодовые точки и байты UTF-8 на латинице, кириллице и комбинируемых знаках до нормализации.
Требование «не больше трёх символов» может означать три видимых знака, три кодовые точки или три байта. Для одинакового текста эти числа различаются. Если интерфейс и сервер считают разными способами, один примет значение, которое другой отклонит.
Учебная метка на карточке
Пусть редактор разрешает до трёх расширенных графемных кластеров. Это приближение к знакам, которые воспринимает читатель. Сегментацию берём из Unicode UAX #29. Входы ниже синтетические; форма не запускалась.
| Вход | Графемы | Кодовые точки | Байты UTF-8 | Ожидание |
|---|---|---|---|---|
| ABC | 3 | 3 | 3 | Принять |
| АБВ, кириллица | 3 | 3 | 6 | Принять |
| e + комбинируемый акут + XY | 3 | 4 | 5 | Принять |
| ABCD | 4 | 4 | 4 | Отклонить |
В третьей строке знак «+» объясняет состав, а не входит в значение. В тестовых данных это e, U+0301, X, Y подряд. Два первых элемента образуют одну графему. Если вставить в тест похожий готовый символ é, байты и число кодовых точек изменятся, хотя метка будет выглядеть так же.
Одно ограничение для человека, другое для хранилища
Лимит графем отвечает за пользовательский ввод. Максимальный размер поля в байтах может быть отдельным техническим ограничением. Его не следует скрывать внутри слова «символ». Если действуют оба предела, определите их приоритет и сообщение для каждого отказа. Таблица проверяет только пользовательский предел.
Отдельно договоритесь, нормализует ли система текст перед проверкой или сохраняет исходную форму. Для учебного набора байты посчитаны до нормализации. Если правила изменятся, оставьте обе формы в тестовых данных и пересчитайте ожидаемые байты. Для одинакового результата в интерфейсе и на сервере нужно согласовать алгоритм сегментации и его версию.
LLM удобно поручить подбор классов примеров: латиница, кириллица, комбинируемые знаки. Точные числа лучше получать независимым счётчиком, а не доверять визуальному сходству. Артефакт приёмки — исходные последовательности, три счётчика и ожидаемое решение по выбранному пределу.
Связь проверки типа и поведения разобрана в материале об OpenAPI; выбор наблюдаемого ожидания — в статье о критериях приёмки.
Вопросы о длине
Три буквы занимают три байта?
Не всегда. Три кириллические буквы из примера занимают шесть байтов в UTF-8.
Что означает графема?
В рамках этой проверки — кластер по согласованным правилам сегментации Unicode.
Почему нужно хранить исходную последовательность?
Внешне одинаковые строки могут состоять из разных кодовых точек.
Можно ли заменить байтовый лимит графемным?
У них разные цели. Если нужны оба, назовите оба явно.
Что здесь проверено?
Ожидаемые величины для учебных строк, а не поведение реального приложения.
Автор: Иннокентий Бодров, автор Аналитической мастерской.