踩了3个坑才搞定短信字数限制：手写实现避坑实录

踩了3个坑才搞定短信字数限制：手写实现避坑实录 刚把同事发来的短信发送代码复制进项目，测试环境跑通了，一上生产环境直接炸了。用户投诉说短信发了一半，关键验证码缺失，后台日志却显示发送成功。这种“复制来的代码跑不通不知道怎么调”的噩梦，谁没经历过？我盯着那段看似正常的字符串截取逻辑看了半小时，发现根本问题不在网络，而在对短信字数限制的底层理解偏差。别急，今天不堆砌理论，直接拆解这个高频坑点，带你手写实现一套真正健壮的短信编码与分割逻辑，把那些隐藏在字符集背后的坑一次性填平。 坑的现象：明明没超限，为什么短信被截断 很多开发者在写短信模块时，第一反应是 len(content) 70 就报错或分割。这在纯英文短信里没问题，但一遇到中文就原形毕露。我见过最离谱的案例，是一个电商平台的促销短信，文案里混了 Emoji 表情和少量英文，后台统计长度只有 65 个字符，自信满满地以为在单条 70 字限制内。结果用户收到的是两截乱码：第一截正常，第二截直接丢失了后半部分促销码。 更隐蔽的坑在于多字节字符的切割。有些实现直接按字节偏移量截取字符串，比如 content[0:160]。在 UTF-8 编码下，一个中文字符占 3 个字节，一个英文占 1 个。如果你在第 160 个字节处切断，极有可能正好切在一个中文字符的中间，导致解码失败，出现 ? 或乱码。这种错误在单元测试里很难发现，因为测试数据往往是整齐的短文案，一旦上线面对用户自定义的复杂文案，立刻翻车。 还有一个常见现象是网关返回“发送成功”但用户未收到。这往往是因为运营商的 SMS 网关在接收到超长但未正确分割的短信时，会静默丢弃后续片段，而不是返回明确的错误码。你以为代码没 bug，其实是协议层的沉默让你产生了虚假的安全感。 根本原因：字符集混淆与 3GPP 规范盲区 要解决短信字数限制问题，必须先撕开“70 字”和“160 字”这两个数字的表象。这不是简单的数字游戏，而是由 3GPP TS 23.040 规范（常被通俗引用为 RFC 风格的电信标准）严格定义的编码规则。核心矛盾在于 GSM 7-bit 默认字符集与 UCS-2（即 UTF-16）扩展字符集的混合使用。 GSM 7-bit 字符集包含了 ASCII 可见字符以及部分特殊符号（如 £、€ 在某些区域配置下）。在这种模式下，单条短信最多容纳 160 个字符。但一旦短信中包含任何 GSM 7-bit 不支持的字符——比如中文、日文、韩文，甚至某些 Emoji——整个短信就必须降级为 UCS-2 编码。此时，每个字符占 2 个字节，单条短信的容量直接腰斩至 70 个字符。 很多出错的代码犯了一个致命错误：它们没有动态判断字符集，而是硬编码了长度限制。或者，它们虽然做了判断，但判断逻辑错误。例如，认为只要包含一个中文，整条短信就按 70 字算，这没错；但错在计算“已发送字符数”时，没有区分当前片段是 GSM 7-bit 还是 UCS-2 编码。 更深层的原因是**多段短信（Concatenated SMS）**的协议开销被忽视。当短信长度超过单条限制时，需要发送多条短信并组合。这要求每条短信头部增加 UDH（User Data Header），用于标识这是一个多段消息的一部分。这个头部通常占用 6 个字节。在 GSM 7-bit 模式下，6 字节约等于 6.4 个字符，意味着每条分片实际只能承载 \(160 - 6 = 154\) 个字符（部分网关实现可能更保守，按 153 或 152 计算）。在 UCS-2 模式下，6 字节正好等于 3 个字符（因为 1 字符=2 字节），所以每条分片实际只能承载 \(70 - 3 = 67\) 个字符。如果你的代码没有扣除这 3 或 6 个字符的开销，最后一条短信就会因为超长而被网关拒收或截断。 正确写法对比：从硬编码到动态编码 让我们通过代码对比，看看错误实现与健壮实现的本质区别。 错误写法：静态长度判断与暴力截取 # 错误示例：Python def send_sms_wrong(content):# 坑点1：未考虑字符集，假设所有字符等宽# 坑点2：未扣除多段短信的 UDH 头部开销max_len = 160 if all(ord(c) 128 for c in content) else 70if len(content) max_len:# 暴力切片，可能在多字节字符中间切断chunks = [content[i:i+max_len] for i in range(0, len(content), max_len)]else:chunks = [content]for chunk in chunks:# 假设网关能自动处理多段拼接，实际往往不能gateway.send(chunk)这段代码的问题在于：all(ord(c) 128 ...) 只能判断纯 ASCII，无法覆盖 GSM 7-bit 中的特殊符号（如 £），导致误判为 UCS-2。 切片 content[i:i+max_len] 在 Python 中虽然能处理 Unicode 字符串的字符边界，但在其他语言（如 Java 的 String.substring 按 UTF-16 码元切割，C# 的 String.Substring）中，如果涉及代理对（Surrogate Pairs）或底层字节操作，极易出错。 完全没有处理 UDH 开销，导致分片后总长度超限。正确写法：动态编码检测与 UDH 开销扣除 # 正确示例：Python import reGSM_7BIT_CHARSET = set(ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789 .@#£$§/()+-?!\'^_`,{|}~ # 简化的 GSM 7-bit 特殊字符，实际应使用完整表 )def is_gsm_7bit_compatible(text):检查文本是否完全兼容 GSM 7-bit 编码for char in text:if char not in GSM_7BIT_CHARSET and ord(char) = 128:return Falsereturn Truedef encode_sms_correct(content):# 1. 确定编码类型use_gsm_7bit = is_gsm_7bit_compatible(content)# 2. 确定单条容量与多段容量if use_gsm_7bit:# GSM 7-bit: 1 字节/字符single_capacity = 160# 多段短信时，UDH 占 6 字节，每段净容量 154 字符# 注意：某些网关可能要求每段严格小于 160，此处按 154 保守计算multi_capacity = 154 else:# UCS-2: 2 字节/字符single_capacity = 70# 多段短信时，UDH 占 6 字节 = 3 字符，每段净容量 67 字符multi_capacity = 67# 3. 判断是否需要分割if len(content) = single_capacity:return [content], use_gsm_7bit# 4. 分割逻辑：按 multi_capacity 切片chunks = []for i in range(0, len(content), multi_capacity):chunks.append(content[i:i+multi_capacity])return chunks, use_gsm_7bit# 使用示例 content = Hello 世界 ! 这是一个包含中英文的短信。 chunks, is_gsm = encode_sms_correct(content) print(fIs GSM 7-bit: {is_gsm}) # False, 因为包含中文 print(fChunks: {len(chunks)}) for c in chunks:print(f Length: {len(c)}, Content: {c})关键改进点：动态字符集检测：明确区分 GSM 7-bit 与 UCS-2，避免误判。 UDH 开销扣除：在多段短信场景下，强制扣除 3 或 6 个字符的头部空间，确保每段都能被网关完整接收。 字符安全切片：在 Python 中，字符串切片基于字符索引，天然安全。在其他语言中，需确保使用 Unicode 代码点（Code Point）而非字节偏移进行切片。复现与修复代码：全栈实战演示 为了更直观地展示修复过程，我们以 Java 为例，模拟一个完整的短信发送服务。Java 的 String 基于 UTF-16，处理 Emoji 时需要特别注意代理对，这也是很多 Java 开发者踩坑的重灾区。 复现 Bug 的场景： 用户发送一条包含 Emoji 👍 的短信。在 Java 中，👍.length() 返回 2，因为它由两个 UTF-16 码元（Surrogate Pair）组成。如果你的逻辑简单地用 length() 判断并切片，极有可能在代理对中间切断，导致 Character.isHighSurrogate 检查失败，抛出异常或产生乱码。 修复后的 Java 实现： import java.util.ArrayList; import java.util.List;public class SmsEncoder {// GSM 7-bit 兼容字符集（简化版，实际应使用完整映射表）private static final String GSM_CHARS = ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789 .@#£$§/()+-?!\'^_`,{|}~;public static boolean isGsm7BitCompatible(String text) {for (int i = 0; i text.length(); i++) {char c = text.charAt(i);// 检查是否为 GSM 7-bit 字符if (GSM_CHARS.indexOf(c) == -1 c = 128) {return false;}}return true;}public static ListString encodeSms(String content) {boolean isGsm = isGsm7BitCompatible(content);int singleCapacity = isGsm ? 160 : 70;int multiCapacity = isGsm ? 154 : 67; // 扣除 UDH 开销ListString chunks = new ArrayList();if (content.length() = singleCapacity) {chunks.add(content);return chunks;}// 关键：使用 codePoint 遍历，避免切断代理对int index = 0;int start = 0;while (index content.length()) {int codePoint = content.codePointAt(index);int charCount = Character.charCount(codePoint);// 如果加上当前字符会超过单段容量，则结束当前段if (index - start + charCount multiCapacity) {// 截取从 start 到 index 的字符串chunks.add(content.substring(start, index));start = index;}index += charCount;}// 添加最后一段if (start content.length()) {chunks.add(content.substring(start));}return chunks;}public static void main(String[] args) {// 测试包含 Emoji 的短信String testMsg = Hello 👍 World! 这是中文测试。;ListString encoded = encodeSms(testMsg);System.out.println(Total Chunks: + encoded.size());for (String chunk : encoded) {System.out.println(Chunk Length: + chunk.length() + - + chunk);}} }代码解析：codePointAt 与 charCount：这是 Java 中处理 Unicode 字符串的标准姿势。它确保我们按“用户感知的字符”进行计数和切片，而不是底层的 UTF-16 码元。 动态容量计算：根据是否包含 GSM 7-bit 兼容字符，动态选择 154 或 67 作为多段短信的单段容量。 切片逻辑：substring(start, index) 确保每一段都是合法的 Unicode 字符串，不会出现半截 Emoji 或乱码。规避建议：从编码到网关的全链路防御 解决短信字数限制问题，不能只盯着代码里的 if-else。你需要建立一套全链路的防御机制。 1. 建立字符集白名单 不要依赖运行时判断。在项目初期，整理一份完整的 GSM 7-bit 字符映射表。如果业务场景明确只涉及中文，可以直接强制使用 UCS-2 编码，简化逻辑。但如果是国际化项目，必须支持动态检测。 2. 网关配置一致性 不同运营商（中国移动、联通、电信）及第三方网关（阿里云、腾讯云）对 UDH 的处理略有差异。有些网关要求 UDH 占 6 字节，有些可能因厂商私有协议占 8 字节。务必查阅你所用网关的官方文档，确认其多段短信的头部开销。在代码中将其配置化，而不是硬编码。 3. 监控与告警 在发送日志中记录每个短信片段的实际长度、编码类型和网关返回码。如果频繁出现“发送成功但用户投诉未收到”的情况，检查是否有片段长度恰好等于网关阈值。建议设置一个“安全余量”，比如将多段容量从 154 降至 150，从 67 降至 65，牺牲少量容量换取更高的兼容性。 4. 单元测试覆盖边界 编写专门的单元测试用例，覆盖以下场景：纯英文 160 字（单条） 纯英文 161 字（双段，每段 154 字） 纯中文 70 字（单条） 纯中文 71 字（双段，每段 67 字） 中英混合，总长刚好跨越阈值 包含 Emoji 的长文本你公司项目里是怎么处理短信字数限制的？是硬编码 70/160，还是做了动态编码检测？如果在多段短信拼接上遇到过网关兼容性问题，欢迎评论区分享你的解决方案，一起避坑。