Два алфавита
SMS вмещает 140 байт. В алфавите GSM-7 на символ отводится семь бит, поэтому в сообщение помещается 160 символов. В Unicode (UCS-2) на символ нужно шестнадцать бит, и помещается 70. Алфавит выбирается для сообщения целиком: достаточно одного символа вне GSM-7, и каждый символ учитывается по размеру Unicode.
Кодировку выбираете не вы, а текст. Редактор показывает, какая из них применяется, вместе с числом сегментов и самым длинным итоговым вариантом, а если текст перешёл в Unicode, называет символ, который это вызвал. API никогда не переписывает текст: с каждым сообщением он возвращает кодировку encoding — gsm7 или ucs2 — и число сегментов segments, как указано в описании объекта сообщения.
Что входит в GSM-7
Основная таблица GSM-7 содержит 128 позиций: один escape-код, два управляющих кода для перевода строки и 125 печатных символов.
| Группа | Символы |
|---|---|
| Буквы | от A до Z и от a до z |
| Цифры | от 0 до 9 |
| Знаки препинания и символы | пробел ! " # % & ' ( ) * + , - . / : ; < = > ? @ _ § ¡ ¿ ¤ |
| Валюта | £, ¥ и знак доллара; знак евро находится в расширенной таблице |
| Буквы с диакритикой и другие латинские буквы | à è é ì ò ù É Ç Ä Ö Ü ä ö ü ß Ñ ñ Å å Æ æ Ø ø |
| Заглавные греческие буквы | Δ Φ Γ Λ Ω Π Ψ Σ Θ Ξ |
Перевод строки входит в набор, поэтому сообщение из двух строк остаётся в GSM-7, хотя каждый перевод строки занимает один символ. Обратите внимание, чего в наборе нет: обратного апострофа, знака градуса, типографских кавычек, короткого и длинного тире, символа многоточия, маркера списка, ©, ® и ™, а также большинства букв с диакритикой за пределами Западной Европы. Заглавные греческие буквы — историческое наследие: греческий текст в обычном написании, со строчными буквами и знаками ударения, требует Unicode.
Расширенная таблица
Ещё девять символов доступны через escape-код, поэтому каждый из них занимает две позиции: ^ { } \ [ ] ~ | €. Они оставляют сообщение в GSM-7, но каждый считается за два символа; в глоссарии они перечислены в статье о расширенных символах GSM. Сообщение из 159 видимых символов с одним знаком евро насчитывает 160 символов и помещается в один сегмент; добавьте второй знак евро — и получится 162, то есть два сегмента.
Они прячутся в ценах, номерах заказов и шаблонах. Цена, записанная как €25, занимает четыре символа, а квадратные скобки вокруг номера заказа — четыре позиции там, где круглые занимают две.
Сегменты и склейка
Длинный текст делится на сегменты, которые телефон собирает обратно. Каждый сегмент отдаёт шесть байт заголовку с номером части («часть 2 из 3»), поэтому ёмкость одной части снижается до 153 и 67 символов. Оплата взимается за каждый сегмент, максимум за 6. Редактор и ответ API показывают число сегментов до отправки, поэтому цена никогда не становится сюрпризом.
| Сегменты | Символы GSM-7 | Символы Unicode |
|---|---|---|
| 1 | до 160 | до 70 |
| 2 | от 161 до 306 | от 71 до 134 |
| 3 | от 307 до 459 | от 135 до 201 |
| 4 | от 460 до 612 | от 202 до 268 |
| 5 | от 613 до 765 | от 269 до 335 |
| 6 | от 766 до 918 | от 336 до 402 |
Из этого следуют два вывода. Самый дорогой шаг — от одного сегмента к двум: 161-й символ покупает целый второй сегмент, а первая часть сокращается со 160 символов до 153. И шесть частей — это потолок, поэтому самое длинное сообщение — 918 символов GSM-7 или 402 символа Unicode. Вблизи границы доверяйте счётчику, а не таблице: системы обычно не разрывают escape-последовательность или эмодзи между двумя частями, поэтому часть может вместить на один символ меньше, чем подсказывает арифметика.
Примеры расчёта
Один апостроф — три сегмента. Это напоминание (пример на английском) занимает ровно 160 символов:
ACME Dental: a reminder of your check-up on Tuesday at 14:30 with Dr Patel. Please arrive ten minutes early and bring your card. Can't come? Call 020 7946 0000.
С прямым апострофом это один сегмент GSM-7. Если текст вставлен из текстового редактора, который превратил Can't в Can’t, получается 160 символов Unicode, а 160 попадает в диапазон от 135 до 201: три сегмента и втрое большая цена.
Решает самое длинное имя. Сообщение программы лояльности (пример на английском), постоянная часть которого вокруг подстановки {first_name} занимает 156 символов:
ACME: Hi {first_name}, your loyalty card now holds 1,250 points, enough for a free coffee and a pastry. Show this message at the till in any of our shops before Sunday.
Для Emma итоговый текст занимает ровно 160 символов: один сегмент. Для James — 161: два сегмента. Для Zoë — 159 символов, но буквы ë нет в GSM-7, поэтому её сообщение уходит в Unicode: три сегмента. Каждое сообщение кодируется и оплачивается отдельно, поэтому дороже обходятся только эти строки, а редактор показывает самый длинный итоговый вариант и называет любой символ, вызвавший переход на Unicode, так что обе проблемы видны до отправки.
Сколько это стоит. При условном тарифе 0,01 доллара за сегмент 10 000 сообщений в один сегмент стоят 100 долларов. Те же 10 000 сообщений, которые из-за одного апострофа заняли три сегмента Unicode, стоят 300 долларов. Каждый сегмент оплачивается по опубликованному тарифу направления, указанному на странице цен.
Что меняет кодировку
GSM-7 включает основные латинские буквы, цифры, распространённые знаки препинания и несколько букв с диакритикой из западноевропейских языков. Типографские кавычки, длинное тире, эмодзи и буквы вроде ő, ș, ă в него не входят. Любой из этих символов переводит сообщение в Unicode. Чаще всего кодировку случайно меняет типографский апостроф, вставленный из текстового редактора; те же символы ставят клавиатуры телефонов с включённой «умной пунктуацией».
| Символ | Откуда обычно берётся | Чем заменить |
|---|---|---|
| ’ ‘ типографский апостроф и одинарные кавычки | Текстовые редакторы, «умная пунктуация» | ' |
| “ ” типографские двойные кавычки | Текстовые редакторы, «умная пунктуация» | " |
| – — короткое и длинное тире | Автозамена двойного дефиса | - |
| … символ многоточия | Автозамена трёх точек | ... |
| Неразрывные и другие специальные пробелы | Текст, скопированный с веб-страниц и из документов | Обычный пробел |
| • маркер списка | Скопированные списки | Дефис или перевод строки |
| ° знак градуса | Температура | Слово: 21 degrees |
| ™ ® © | Названия брендов | Ничего |
| ` обратный апостроф | Код, некоторые раскладки клавиатуры | ' |
| Символы нулевой ширины и другие невидимые символы | Скопированный текст, некоторые системы управления контентом | Наберите строку заново |
| Эмодзи | Клавиатуры телефонов | Слово |
Редактор предлагает замену одним нажатием для типографских кавычек, длинных тире, символа многоточия и специальных пробелов. API отправляет текст ровно в том виде, в каком он передан, поэтому скрипт, который берёт тексты из системы управления контентом, должен выполнять те же замены перед отправкой.
Эмодзи заслуживают отдельного разговора; подробнее — в статье глоссария об эмодзи в SMS. Они никогда не входят в GSM-7, а большинство из них к тому же находится за пределами диапазона, для которого создавалась UCS-2, поэтому они передаются парой 16-битных единиц: одно эмодзи обычно занимает два из 70 мест. Оттенки кожи, флаги и составные эмодзи занимают четыре места и больше.
Диакритика по языкам
GSM-7 создавался для западноевропейских языков и охватывает их неравномерно. Одной буквы из правого столбца достаточно, чтобы сообщение перешло в Unicode:
| Язык | Есть в GSM-7 | Переводит в Unicode |
|---|---|---|
| Английский | Весь обычный текст | Только типографские знаки препинания |
| Немецкий | ä ö ü Ä Ö Ü ß | Ничего в повседневном тексте |
| Французский | à é è ù É | â ê î ô û ë ï œ, а также заглавные, например À и È |
| Испанский | é ñ Ñ ü ¿ ¡ | á í ó ú и их заглавные варианты |
| Португальский | à é É | á â ã ê í ó ô õ ú |
| Итальянский | à è é ì ò ù | È в начале предложения и другие заглавные буквы с диакритикой, кроме É |
| Датский, финский, норвежский, шведский | å ä æ ö ø и их заглавные варианты | Ничего в повседневном тексте |
| Языки Центральной и Восточной Европы на латинице, турецкий | é, ö и ü там, где они есть в языке | Большинство других диакритических знаков: ą ę ł ś ż, č ř š ž, ő ű, ă ș ț, ğ ı ş |
Особый случай — латинская c с седилью: в стандартной таблице есть заглавная Ç, а системы расходятся в том, сопоставлять ли с ней строчную ç, поэтому французский, португальский и турецкий текст с этой буквой может закодироваться и так и иначе. Проверяйте счётчик, а не полагайтесь на предположения. В остальном выбор редакционный. Испанский или португальский текст без диакритики остаётся в GSM-7 и стоит дешевле, но часть аудитории воспринимает его как небрежный. Для одноразового кода это редко важно; для брендовой кампании решайте осознанно.
Как уложиться в один сегмент
Чтобы проверить черновик прямо во время работы, вставьте его в счётчик символов SMS: он покажет каждый символ, из-за которого текст уходит в Unicode, и число сегментов до и после замены.
- Используйте прямые кавычки и обычный дефис.
- Не используйте эмодзи в транзакционных сообщениях: они сокращают ёмкость со 160 символов до 70 и никак не улучшают доставку.
- Делайте ссылки короткими и постоянными: ссылка для отслеживания длиной 30 символов занимает пятую часть сегмента.
- Проверяйте текст на реальных данных: переменная, например имя, может вывести самый длинный вариант за предел сегмента, даже если шаблон помещается.
- Выбирайте круглые скобки вместо квадратных и 14:30 вместо 2:30 p.m.
- Сокращайте слова, но не ясность: Ваш заказ отправлен говорит то же, что С радостью сообщаем вам, что ваш заказ уже находится в пути, но занимает втрое меньше места.
Подробнее о стоимости — в статье блога о цене Unicode и о том, как её избежать.
Нелатинские письменности
Арабское письмо, кириллица, иврит, деванагари и другие индийские письменности, тайское, китайское, японское и корейское письмо всегда используют Unicode, как и греческий в обычном написании. Это не проблема, которую нужно решать, а цена письменности: 70 символов в одиночном сообщении и 67 в каждой части. Латинское название бренда в таком сообщении ничего не меняет, потому что сообщение уже в Unicode.
Коды, уведомления и короткие подтверждения помещаются в один сегмент на любом языке. ACME: ваш код 493201. Действует 10 минут. — это 41 символ, с запасом один сегмент; остальные требования к формату описаны в руководстве о кодах подтверждения. Рекламный текст лучше осознанно написать на две части, чем случайно на полторы. В китайском и японском, где один знак часто передаёт целое слово или слог, 70 символов вмещают больше, чем кажется. Некоторые отправители используют транслитерацию и пишут русский или греческий текст латиницей, чтобы остаться в GSM-7; это более чем вдвое увеличивает место в сегменте, но читается неформально, что больше подходит коду, чем бренду.
Что-то непонятно или устарело? Сообщите нам на странице поддержки. Мы внесём исправления в руководство и обновим дату.
