Trampas de los SMS: codificación GSM-7 frente a UCS-2 y segmentos de mensaje

Qué es

Un único SMS transporta 140 bytes de datos de usuario. Con el alfabeto predeterminado GSM de 7 bits (GSM-7) eso equivale a 160 caracteres; con UCS-2, que usa dos bytes por carácter, son 70. GSM-7 cubre 128 caracteres básicos (letras latinas, dígitos, algunas letras acentuadas y símbolos comunes) más una tabla de extensión con caracteres como {, [, € y \, que requieren un carácter de escape y cuentan como dos caracteres. Un solo carácter fuera de GSM-7 (un apóstrofo tipográfico, una raya larga, un emoji, la mayoría de las escrituras no latinas) hace que todo el mensaje pase a UCS-2. Los textos más largos se dividen en segmentos que incluyen una cabecera de datos de usuario (User Data Header) para poder reensamblarlos, lo que deja 153 caracteres GSM-7 o 67 UCS-2 por segmento; el teléfono los reensambla y los proveedores suelen facturar por segmento. La documentación citada indica estas cifras y señala que un mensaje GSM-7 de 161 caracteres se transmite como dos segmentos.

Por qué importa

Una notificación de 150 caracteres que un editor "mejoró" con comillas tipográficas pasa a ser un mensaje UCS-2 de tres segmentos, es decir, el triple de segmentos. Un código de inicio de sesión que se desplaza a un segundo segmento aparece después de la parte que el usuario lee primero.

Cómo aplicarlo

• Cuente antes de enviar: determine la codificación (si todos los caracteres están en la tabla básica o de extensión de GSM-7, se usa GSM-7; si no, UCS-2), cuente dos veces los caracteres de extensión y divida entre 160 o 70 si cabe en un segmento, o entre 153 o 67 si son varios.
• Normalice la puntuación en la ruta GSM-7: comillas rectas, guion-menos y tres puntos en lugar del carácter de puntos suspensivos. Algunos proveedores ofrecen esto como opción de "codificación inteligente" (smart encoding); hacerlo en la plantilla es más predecible.
• Ponga el contenido esencial (el código, el enlace) dentro de los primeros 67 caracteres, para que sobreviva a cualquier codificación y a cualquier segmentación.
• Use un dominio corto y no incluya parámetros de seguimiento en los enlaces; una URL larga por sí sola puede empujar un mensaje a un segundo segmento.
• Registre la codificación y el número de segmentos que informa el proveedor por cada mensaje y configure una alerta cuando el promedio suba tras un cambio de plantilla.
• Para escrituras que requieren UCS-2 (cirílico, árabe, CJK), planifique 70 caracteres desde el principio y no mezcle escrituras en una misma plantilla.

Trampas

Contar bytes UTF-8 o puntos de código Unicode en lugar de unidades GSM-7 o UCS-2. Suponer que un emoji cuesta un carácter cuando muchos necesitan dos unidades de 16 bits (un par sustituto, o surrogate pair). Límites de los proveedores a la longitud concatenada (la tabla citada indica 1600 caracteres GSM-7 o 700 UCS-2). Reglas de Sender ID y normativas regionales, que varían según el país y no se tratan aquí.