• Python 3 (推荐): len() 函数默认返回的是 Unicode 码位 的数量，对于绝大多数情况，这就是你想要的“字符”数量。
• Python 2 (已过时): len() 返回的是 字节 数量,这通常不是我们想要的。
• 复杂字符: 某些 Unicode 字符（如表情符号、某些特殊符号）可能由多个码位组成（家庭” emoji 👨‍👩‍👧‍👦 是由多个码位组合而成的）。len() 会将其视为多个独立的码位。
• 获取“字形簇”数量: 如果你需要计算用户感知的“字符”数量（即字形簇），需要使用第三方库 unicodedata。

Python 3 中的情况 (推荐)

在 Python 3 中，字符串是 Unicode 字符串，这是默认行为。len() 函数返回的是字符串中 Unicode 码位 的数量。

一个码位通常对应一个字符,但也不总是如此。

示例 1: 基本情况（ASCII 和常见汉字）

# ASCII 字符
s1 = "hello"
print(f"'{s1}' 的长度是: {len(s1)}")  # 输出: 5
# 常见汉字
s2 = "你好，世界"
print(f"'{s2}' 的长度是: {len(s2)}")  # 输出: 6

这里，“你”、“好”、“世”等每个汉字都是一个独立的码位，len() 正确地返回了 6。

示例 2: 复杂字符（代理对和组合字符）

这是 len() 行为的关键点。

情况 A: 代理对

某些字符（如 Emoji）在 BMP（基本多语言平面）之外，需要用两个 16 位的码位（一个“代理对”）来表示。

# 一个普通的 smiley emoji (在 BMP 内)
s_emoji_simple = "😊"
print(f"'{s_emoji_simple}' 的长度是: {len(s_emoji_simple)}")  # 输出: 1
# 一个需要代理对的 emoji ("PILE OF POO" - 💩)
s_emoji_complex = "💩"
print(f"'{s_emoji_complex}' 的长度是: {len(s_emoji_complex)}")  # 输出: 1

在 Python 3 中，即使内部存储可能需要多个字节，len() 仍然返回 1,因为它被正确地视为一个单一的码位。

情况 B: 组合字符

这是最容易出现“意外”的地方，一个完整的字符可能由一个基础字符和一个或多个组合标记（变音符号、上标等）组成。

# 'é' 可以由一个码位 U+00E7 直接表示
s_precomposed = "é"
print(f"'{s_precomposed}' (预组合) 的长度是: {len(s_precomposed)}")  # 输出: 1
# 'é' 也可以由 'e' + 组合重音符号 '´' 组成
s_decomposed = "e\u0301" # \u0301 是组合重音符号
print(f"'{s_decomposed}' (分解形式) 的长度是: {len(s_decomposed)}")  # 输出: 2

尽管这两个字符串在视觉上完全一样，但 len() 的结果不同，第一个是 1 个码位，第二个是 2 个码位（'e' 和一个组合符号）。

Python 2 中的情况 (已过时)

在 Python 2 中，情况要复杂得多，字符串默认是字节串，而不是 Unicode 字符串。

• 对于字节串 (str): len() 返回字节数。
• 对于 Unicode 字符串 (unicode): len() 返回码位数。

强烈建议不要再使用 Python 2 进行新项目开发。

示例：

# -*- coding: utf-8 -*-
# Python 2 默认字节串
s_str = "你好"
print(f"字节串 '{s_str}' 的长度是: {len(s_str)}")  # 输出: 6 (假设是 UTF-8 编码，每个汉字3字节)
# Python 2 Unicode 字符串
s_unicode = u"你好"
print(f"Unicode 字符串 '{s_unicode}' 的长度是: {len(s_unicode)}")  # 输出: 2

如果你在 Python 2 中处理非英文字符，必须时刻记得你的变量是 str 还是 unicode，并正确地进行编码和解码，否则 len() 的结果会非常混乱。

如何获取“字形簇”的数量？

如上所述，len() 无法正确处理分解形式的组合字符，如果你需要计算用户感知的“字符”数量（即字形簇），你需要使用 unicodedata 模块进行 规范化。

规范化 是将 Unicode 字符串转换成一个标准形式的过程，对于我们的目的，最常用的是 NFC (Normalization Form C) 和 NFD (Normalization Form D)。

• NFC (Normalization Form C): 将字符转换为“预组合”形式，将 "e\u0301" 转换为 "é"。
• NFD (Normalization Form D): 将字符转换为“分解”形式，将 "é" 转换为 "e\u0301"。

策略：将字符串先规范化为 NFC 形式，然后再计算长度,这样可以确保大多数组合字符都被视为一个单一的码位。

示例：

import unicodedata
# 分解形式的 'é'
s_decomposed = "e\u0301"
print(f"分解前 '{s_decomposed}' 的长度是: {len(s_decomposed)}")  # 输出: 2
# 将其规范化为 NFC (预组合) 形式
s_normalized = unicodedata.normalize('NFC', s_decomposed)
print(f"规范化后 '{s_normalized}' 的长度是: {len(s_normalized)}")  # 输出: 1

一个更健壮的函数来获取“用户感知的字符数”：

import unicodedata
def get_grapheme_count(s):
    """
    获取字符串中字形簇（用户感知的字符）的数量。
    这是一个近似方法，对于所有情况（如某些 Emoji 组合）可能不完全准确，
    但对于大多数情况已经足够。
    """
    # 规范化为 NFC 形式，将组合字符合并
    normalized_s = unicodedata.normalize('NFC', s)
    return len(normalized_s)
# 测试
s1 = "hello"
s2 = "你好"
s3 = "e\u0301" # 分解的 é
s4 = "café"    # 预组合的 é
s5 = "👨‍👩‍👧‍👦" # 家庭 emoji (由多个码位组合而成)
print(f"'{s1}': {get_grapheme_count(s1)}") # 输出: 5
print(f"'{s2}': {get_grapheme_count(s2)}") # 输出: 6
print(f"'{s3}': {get_grapheme_count(s3)}") # 输出: 1 (正确)
print(f"'{s4}': {get_grapheme_count(s4)}") # 输出: 4 (正确)
print(f"'{s5}': {get_grapheme_count(s5)}") # 输出: 1 (正确，因为它们被视为一个整体)

注意: 对于像 "👨‍👩‍👧‍👦" 这样的复杂 Emoji 组合，unicodedata.normalize 可能无法将其合并成一个码位，len() 仍然可能返回大于 1 的值，要完美处理这类情况，需要更专业的库，如 grapheme 库 (pip install grapheme)。

总结与实践建议

最佳实践:

1. 始终使用 Python 3，它从设计上就更好地支持了 Unicode。
2. 在处理文本长度时，首先考虑 len()，它能满足 99% 的需求。
3. 只有在遇到明显的组合字符问题（len("e\u0301") 返回 2 但你期望 1）时，才考虑使用 unicodedata.normalize()。
4. 如果你正在开发一个需要精确显示字符数量的应用（如社交媒体的字数限制），并且需要完美处理所有 Emoji，请考虑使用 grapheme 这样的专业库。