Emoji Encoding Guide: UTF-8, UTF-16 & Surrogate Pairs

Why EmojiEmoji
Palabra japonesa (絵文字) que significa 'carácter imagen' — pequeños símbolos gráficos usados en la comunicación digital para expresar ideas, emociones y objetos.
Break Your String.length

If you've ever been surprised that '😀'.length === 2 in JavaScript, you've encountered one of the most common emoji encoding pitfalls. This guide explains why it happens and how to handle emoji correctly in code.

The Three UnicodeUnicode
Estándar universal de codificación de caracteres que asigna un número único a cada carácter de todos los sistemas de escritura y conjuntos de símbolos, incluidos los emoji.
Encodings

Unicode defines three encoding forms. Each uses a different strategy to convert code points into bytes:

UTF-8UTF-8
Codificación Unicode de ancho variable que utiliza de 1 a 4 bytes por carácter, dominante en la web (usada por más del 98 % de los sitios web).
: The Web Standard

UTF-8 uses 1-4 bytes per character and is backward-compatible with ASCII:

Code Point Range Bytes Example
U+0000 - U+007F 1 byte A → 0x41
U+0080 - U+07FF 2 bytes é → 0xC3 0xA9
U+0800 - U+FFFF 3 bytes 한 → 0xED 0x95 0x9C
U+10000 - U+10FFFF 4 bytes 😀 → 0xF0 0x9F 0x98 0x80

Every emoji requires 4 bytes in UTF-8 because emoji code points are above U+FFFF. A ZWJConector de ancho cero (ZWJ)
Carácter Unicode invisible (U+200D) utilizado para unir varios emoji en un único emoji compuesto, como la combinación de personas y objetos en emoji de profesiones.
sequence like 👩‍💻 uses 11 bytes (4 + 3 + 4 for person + ZWJ + laptop).

UTF-16UTF-16
Codificación Unicode de ancho variable que utiliza 2 o 4 bytes por carácter, empleada internamente por JavaScript, Java y Windows.
: JavaScript and Java's Native Encoding

UTF-16 uses 2 or 4 bytes per character:

Code Point Range Code Units Example
U+0000 - U+FFFF (BMP) 1 unit (2 bytes) A → 0x0041
U+10000 - U+10FFFF (SMPPlano Multilingüe Suplementario (SMP)
Plano 1 de Unicode (U+10000 a U+1FFFF), donde se asigna la mayoría de los puntos de código emoji.
)
2 units (4 bytes) 😀 → 0xD83D 0xDE00

Characters above U+FFFF — including virtually all emoji — require a surrogate pair: two 16-bit code units that encode one code point.

UTF-32UTF-32
Codificación Unicode de ancho fijo que utiliza exactamente 4 bytes por carácter, lo que permite un mapeo directo de puntos de código a costa de mayor espacio.
: Simple but Wasteful

UTF-32 uses exactly 4 bytes per code point. Simple for processing (string[i] always gives you one code point), but uses 4x the memory of ASCII text.

Surrogate Pairs Explained

Surrogate pairs are the key to understanding JavaScript emoji behavior. Here's the math:

Code Point: U+1F600 (😀)
Offset: 0x1F600 - 0x10000 = 0xF600

High Surrogate: 0xD800 + (0xF600 >> 10) = 0xD800 + 0x3D = 0xD83D
Low Surrogate:  0xDC00 + (0xF600 & 0x3FF) = 0xDC00 + 0x200 = 0xDE00

Result: 0xD83D 0xDE00

This is why '😀'.charCodeAt(0) returns 55357 (0xD83D) — the high surrogate — and '😀'.charCodeAt(1) returns 56832 (0xDE00) — the low surrogate.

Common Pitfalls

1. String Length

// WRONG: counts UTF-16 code units
'😀'.length              // 2
'👨‍👩‍👧'.length           // 8

// CORRECT: counts grapheme clusters
[...new Intl.Segmenter().segment('👨‍👩‍👧')].length  // 1

2. String Slicing

// WRONG: splits surrogate pair
'Hello 😀'.slice(0, 7)  // 'Hello \uD83D' (broken!)

// CORRECT: use spread or Array.from
[...'Hello 😀'].slice(0, 7).join('')  // 'Hello 😀'

3. Regular Expressions

// WRONG: . doesn't match emoji by default
/^.$/.test('😀')  // false

// CORRECT: use u flag for Unicode awareness
/^.$/u.test('😀')  // true

4. Database Storage

When using MySQL, ensure your column uses utf8mb4 (not utf8 which only supports 3-byte characters). PostgreSQL handles this correctly by default with its TEXT type.

-- MySQL: must use utf8mb4 for emoji
ALTER TABLE posts MODIFY content TEXT CHARACTER SET utf8mb4;

Language-Specific Tips

Python 3

Python 3 handles emoji gracefully — len('😀') returns 1 because Python uses code points internally.

emoji = '👩‍💻'
len(emoji)           # 3 (code points: woman + ZWJ + laptop)
emoji.encode('utf-8') # b'\xf0\x9f\x91\xa9\xe2\x80\x8d\xf0\x9f\x92\xbb'

Java

Java strings are UTF-16, like JavaScript:

"😀".length()          // 2 (surrogate pair)
"😀".codePointCount(0, "😀".length())  // 1 (actual code point count)

Rust

Rust strings are UTF-8 by default and distinguish between bytes, chars, and graphemes:

"😀".len()            // 4 (bytes)
"😀".chars().count()  // 1 (code points)

Analyze Any Emoji's Encoding

Use our Sequence Analyzer to see the complete encoding breakdown of any emoji — UTF-8 bytes, UTF-16 surrogates, code points, and component roles.

Herramientas relacionadas

🔍 Analizador de secuencias Analizador de secuencias
Decodifica secuencias ZWJ, modificadores de tono de piel, secuencias de teclas y pares de banderas en sus componentes individuales.

Términos del glosario

Conector de ancho cero (ZWJ) Conector de ancho cero (ZWJ)
Carácter Unicode invisible (U+200D) utilizado para unir varios emoji en un único emoji compuesto, como la combinación de personas y objetos en emoji de profesiones.
Emoji Emoji
Palabra japonesa (絵文字) que significa 'carácter imagen' — pequeños símbolos gráficos usados en la comunicación digital para expresar ideas, emociones y objetos.
Par sustituto Par sustituto
Dos unidades de código UTF-16 (un sustituto alto U+D800–U+DBFF seguido de un sustituto bajo U+DC00–U+DFFF) que juntas representan un carácter superior a U+FFFF.
Plano Multilingüe Suplementario (SMP) Plano Multilingüe Suplementario (SMP)
Plano 1 de Unicode (U+10000 a U+1FFFF), donde se asigna la mayoría de los puntos de código emoji.
Punto de código Punto de código
Valor numérico único asignado a cada carácter en el estándar Unicode, escrito en el formato U+XXXX (por ejemplo, U+1F600 para 😀).
Unicode Unicode
Estándar universal de codificación de caracteres que asigna un número único a cada carácter de todos los sistemas de escritura y conjuntos de símbolos, incluidos los emoji.
UTF-16 UTF-16
Codificación Unicode de ancho variable que utiliza 2 o 4 bytes por carácter, empleada internamente por JavaScript, Java y Windows.
UTF-32 UTF-32
Codificación Unicode de ancho fijo que utiliza exactamente 4 bytes por carácter, lo que permite un mapeo directo de puntos de código a costa de mayor espacio.
UTF-8 UTF-8
Codificación Unicode de ancho variable que utiliza de 1 a 4 bytes por carácter, dominante en la web (usada por más del 98 % de los sitios web).

Artículos relacionados