Why string.length Lies: Grapheme Clusters and Emoji Length

The Lie Your Runtime Tells You

'👨‍👩‍👧‍👦'.length  // 11

That is not 11 characters. It is one family emojiEmoji
Ein japanisches Wort (絵文字) mit der Bedeutung 'Bildzeichen' — kleine grafische Symbole in der digitalen Kommunikation zum Ausdrücken von Ideen, Gefühlen und Objekten.
. The .length property in JavaScript counts UTF-16UTF-16
Eine Unicode-Kodierung variabler Breite, die 2 oder 4 Bytes pro Zeichen verwendet und intern von JavaScript, Java und Windows genutzt wird.
code units, not visible characters. For most ASCII text this distinction is invisible, but emoji expose the gap brutally.

Understanding why this happens — and how to fix it — requires knowing what a grapheme cluster is.

Three Levels of "Character"

UnicodeUnicode
Universeller Zeichenkodierungsstandard, der jedem Zeichen aller Schriftsysteme und Symbolsätze einschließlich Emoji eine eindeutige Zahl zuweist.
defines multiple levels of text unit, each useful for different purposes:

Level Unit JavaScript Python
Byte Raw storage unit len(s.encode('utf-8UTF-8
Eine Unicode-Kodierung variabler Breite, die 1 bis 4 Bytes pro Zeichen verwendet und im Web vorherrschend ist (mehr als 98 % aller Websites).
'))
Code unit Encoding unit s.length
Code point Unicode scalar value [...s].length len(s)
Grapheme cluster User-perceived character Intl.Segmenter grapheme library

A grapheme cluster is what a human thinks of as "one character" — one visible glyph on screen. For emoji, this is always at least one code point, but often several combined.

What Makes an Emoji "Long"?

Basic Emoji: 1 Code Point, 2 Code Units

😀 = U+1F600
UTF-16: 0xD83D 0xDE00 (surrogate pair)
.length in JS: 2
Python len(): 1

Emoji + Variation Selector: 2 Code Points

❤️ = U+2764 + U+FE0F
.length in JS: 2
Python len(): 2
Grapheme clusters: 1

Emoji + Skin Tone: 2 Code Points

👍🏽 = U+1F44D + U+1F3FD
.length in JS: 4 (two surrogate pairs)
Python len(): 2
Grapheme clusters: 1

ZWJBreitenloser Verbinder (ZWJ)
Ein unsichtbares Unicode-Zeichen (U+200D), das verwendet wird, um mehrere Emoji zu einem zusammengesetzten Emoji zu verbinden, etwa beim Kombinieren von Personen und Objekten zu Berufs-Emoji.
Sequence: 3+ Code Points

👩‍💻 = U+1F469 + U+200D + U+1F4BB
.length in JS: 5
Python len(): 3
Grapheme clusters: 1

Family Emoji: 7 Code Points

👨‍👩‍👧‍👦 = 👨 + ZWJ + 👩 + ZWJ + 👧 + ZWJ + 👦
.length in JS: 11
Python len(): 7
Grapheme clusters: 1

Correct Counting in JavaScript

Using Intl.Segmenter (Modern, Built-In)

Intl.Segmenter is available in all modern browsers and Node.js 16+. It segments text by grapheme clusters:

function countGraphemes(str) {
  const segmenter = new Intl.Segmenter();
  return [...segmenter.segment(str)].length;
}

countGraphemes('Hello')     // 5 — correct
countGraphemes('Hello 😀') // 7 — correct
countGraphemes('👨‍👩‍👧‍👦')   // 1 — correct!
countGraphemes('👩🏽‍💻')    // 1 — correct!

Slicing Text Correctly

Slicing with .slice() on emoji strings corrupts surrogate pairs:

const s = 'Hello 👋';

// WRONG: may cut through a surrogate pair
s.slice(0, 7)  // 'Hello \uD83D' — broken!

// CORRECT: spread to code points first
[...s].slice(0, 7).join('')  // 'Hello 👋' — correct

// EVEN BETTER: slice by grapheme clusters
function sliceByGrapheme(str, start, end) {
  const segmenter = new Intl.Segmenter();
  const segments = [...segmenter.segment(str)];
  return segments.slice(start, end).map(s => s.segment).join('');
}

sliceByGrapheme('Hello 👋 World', 0, 7)  // 'Hello 👋'

String Reversal

Reversing an emoji string with .split('').reverse().join('') produces garbage:

// WRONG: reverses code units, breaks surrogates
'Hello 😀'.split('').reverse().join('')  // '😀 olleH' (actually garbled)

// CORRECT: reverse by code points
[...'Hello 😀'].reverse().join('')  // '😀 olleH'

// BEST: reverse by grapheme clusters
function reverseGraphemes(str) {
  const segmenter = new Intl.Segmenter();
  return [...segmenter.segment(str)]
    .map(s => s.segment)
    .reverse()
    .join('');
}

reverseGraphemes('Hello 👨‍👩‍👧‍👦')  // '👨‍👩‍👧‍👦 olleH'

Correct Counting in Python

Python 3's len() counts code points, not grapheme clusters. For most ASCII text this is identical to grapheme count, but for emoji it is not.

text = '👨‍👩‍👧‍👦'
len(text)  # 7 — code points (wrong for "visible characters")

Using the grapheme Library

import grapheme

grapheme.length('👨‍👩‍👧‍👦')   # 1 — correct
grapheme.length('Hello 😀')  # 7 — correct

# Slice by grapheme clusters
grapheme.slice('Hello 👨‍👩‍👧‍👦', 0, 7)  # 'Hello 👨‍👩‍👧‍👦'

# Iterate graphemes
list(grapheme.graphemes('Hi 👋'))
# ['H', 'i', ' ', '👋']

Using the regex Module with \X

The \X pattern in the regex module matches grapheme clusters:

import regex

def count_graphemes(text):
    return len(regex.findall(r'\X', text))

count_graphemes('👨‍👩‍👧‍👦')   # 1
count_graphemes('Hello 👨‍👩‍👧‍👦')  # 7

Other Languages

Java

// Java uses UTF-16 internally like JavaScript
"👨‍👩‍👧‍👦".length()  // 11 (code units)

// Count code points
"👨‍👩‍👧‍👦".codePointCount(0, "👨‍👩‍👧‍👦".length())  // 7

// Count grapheme clusters (requires ICUICU (ICU)
International Components for Unicode — eine weit verbreitete Open-Source-Bibliothek mit Unicode- und Internationalisierungsunterstützung, einschließlich Emoji-Verarbeitung.
) BreakIterator bi = BreakIterator.getCharacterInstance(); bi.setText("👨‍👩‍👧‍👦"); int count = 0; while (bi.next() != BreakIterator.DONE) count++; // count = 1

Swift

Swift's String is designed around grapheme clusters — count returns grapheme count by default:

"👨‍👩‍👧‍👦".count  // 1 — correct out of the box!

This is one area where Swift's string model is superior to most other languages.

Rust

// Rust len() returns bytes
"👨‍👩‍👧‍👦".len()  // 25 (bytes)

// chars() iterates code points
"👨‍👩‍👧‍👦".chars().count()  // 7

// For grapheme clusters, use the unicode-segmentation crate
use unicode_segmentation::UnicodeSegmentation;
"👨‍👩‍👧‍👦".graphemes(true).count()  // 1

Practical Implications

Input Validation / Character Limits

If you show users "max 280 characters" and count by .length in JavaScript, users can enter far fewer emoji than expected (or you silently truncate their input). Count by grapheme clusters for user-facing limits.

Database Column Sizing

Ensure column size limits account for multi-code-point emoji. A VARCHAR(10) that accepts emoji-heavy input needs to be measured in code points (PostgreSQL) or bytes (MySQL with utf8mb4), not graphemes.

Text Rendering

Layout engines that use pixel widths handle emoji correctly by nature — they measure bounding boxes, not code units. But manual text layout (canvas, PDF generation, terminal output) needs grapheme-aware iteration.

Use our Sequence Analyzer to see exactly how many code points, code units, and grapheme clusters any emoji string contains — making these abstract concepts concrete.

Verwandte Werkzeuge

🔍 Sequenzanalysator Sequenzanalysator
Entschlüsseln Sie ZWJ-Sequenzen, Hautton-Modifikatoren, Tasten-Sequenzen und Flaggenpaare in einzelne Komponenten.

Glossar-Begriffe

Breitenloser Verbinder (ZWJ) Breitenloser Verbinder (ZWJ)
Ein unsichtbares Unicode-Zeichen (U+200D), das verwendet wird, um mehrere Emoji zu einem zusammengesetzten Emoji zu verbinden, etwa beim Kombinieren von Personen und Objekten zu Berufs-Emoji.
Codeeinheit Codeeinheit
Die kleinste Bitkombination zur Kodierung eines Zeichens: 8 Bit für UTF-8, 16 Bit für UTF-16 und 32 Bit für UTF-32.
Codepoint Codepoint
Ein eindeutiger numerischer Wert, der jedem Zeichen im Unicode-Standard zugewiesen wird und im Format U+XXXX angegeben wird (z. B. U+1F600 für 😀).
Emoji Emoji
Ein japanisches Wort (絵文字) mit der Bedeutung 'Bildzeichen' — kleine grafische Symbole in der digitalen Kommunikation zum Ausdrücken von Ideen, Gefühlen und Objekten.
Graphem-Cluster Graphem-Cluster
Ein vom Nutzer wahrgenommenes Zeichen, das aus mehreren Unicode-Codepoints bestehen kann, aber als einzelne visuelle Einheit dargestellt wird.
ICU (ICU) ICU (ICU)
International Components for Unicode — eine weit verbreitete Open-Source-Bibliothek mit Unicode- und Internationalisierungsunterstützung, einschließlich Emoji-Verarbeitung.
Surrogat-Paar Surrogat-Paar
Zwei UTF-16-Codeeinheiten (ein hohes Surrogat U+D800–U+DBFF gefolgt von einem niedrigen Surrogat U+DC00–U+DFFF), die gemeinsam ein Zeichen oberhalb von U+FFFF darstellen.
Unicode Unicode
Universeller Zeichenkodierungsstandard, der jedem Zeichen aller Schriftsysteme und Symbolsätze einschließlich Emoji eine eindeutige Zahl zuweist.
UTF-16 UTF-16
Eine Unicode-Kodierung variabler Breite, die 2 oder 4 Bytes pro Zeichen verwendet und intern von JavaScript, Java und Windows genutzt wird.
UTF-8 UTF-8
Eine Unicode-Kodierung variabler Breite, die 1 bis 4 Bytes pro Zeichen verwendet und im Web vorherrschend ist (mehr als 98 % aller Websites).
Variationsselektor (VS) Variationsselektor (VS)
Unicode-Zeichen (VS-15 U+FE0E und VS-16 U+FE0F), die bestimmen, ob ein Zeichen als Textsymbol (einfarbig) oder als Emoji (farbig) dargestellt wird.

Verwandte Artikel