Estoy trabajando en la compatibilidad con Unicode en una aplicación de consola de Linux. Me encontré con la necesidad de cambiar el formato del búfer de pantalla para almacenar glifos Unicode en lugar de bytes que representan caracteres ASCII. Unicode tiene caracteres combinados, por lo que se puede representar más de un punto de código Unicode en una celda de consola.
La pregunta es: ¿cuál es la cantidad máxima de caracteres Unicode combinados que se pueden necesitar para representar un glifo en idiomas de la vida real? ¿Hay algún idioma en el mundo que tenga glifos que necesiten más de 8 caracteres combinados para representar, por ejemplo? Supongamos que no necesito soporte de "texto Zalgo" a costa de la degradación del rendimiento causada por la implementación de variables de longitud dinámica para almacenar cada glifo de búfer de la consola.
Nadie puede ser un experto en lo que constituye un personaje de la "vida real" en todos los idiomas, por lo que es posible que me falten algunas secuencias más largas aquí. ¡Pero sí conozco muchos emoji! Hay algunos emojis para banderas de subdivisiones geográficas que se implementan con la combinación de puntos de código. Por ejemplo, la bandera de Escocia, 🏴, tiene 7 puntos de código y ocupa 28 bytes en UTF-32:
Las banderas de los países, como 🇯🇵, tienen solo dos puntos de código combinados.
Los emojis familiares con 4 personas, como 👩👩👧👧, también tienen 7 puntos de código. El único emoji que conozco que es más largo son los emojis familiares con un tono de piel específico para cada miembro de la familia, pero estos no tienen mucho apoyo en este momento. Esto es lo que uno muestra en su dispositivo: 👩🏾👨🏾👧🏾👧🏾 (si solo ve cuatro cabezas, entonces no tiene una fuente instalada que admita esto). Ese emoji tiene 11 puntos de código.
Dicho esto, tenga en cuenta que no todos los idiomas se representan como una serie de glifos en secuencia: أهلا se segmenta mediante reglas Unicode en 4 caracteres distintos.