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
Palabra japonesa (絵文字) que significa 'carácter imagen' — pequeños símbolos gráficos usados en la comunicación digital para expresar ideas, emociones y objetos.
. The .length property in JavaScript counts UTF-16UTF-16
Codificación Unicode de ancho variable que utiliza 2 o 4 bytes por carácter, empleada internamente por JavaScript, Java y Windows.
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
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.
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
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).
'))
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

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: 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 — una biblioteca de código abierto ampliamente utilizada que proporciona soporte de Unicode e internacionalización, incluido el procesamiento de emoji.
) 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.

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

Clúster de grafemas Clúster de grafemas
Carácter percibido por el usuario que puede estar compuesto de múltiples puntos de código Unicode pero que se muestra como una sola unidad visual.
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.
ICU (ICU) ICU (ICU)
International Components for Unicode — una biblioteca de código abierto ampliamente utilizada que proporciona soporte de Unicode e internacionalización, incluido el procesamiento de emoji.
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.
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 😀).
Selector de variación (VS) Selector de variación (VS)
Caracteres Unicode (VS-15 U+FE0E y VS-16 U+FE0F) que determinan si un carácter se representa en presentación de texto (monocromático) o de emoji (a color).
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.
Unidad de código Unidad de código
La combinación mínima de bits utilizada para codificar un carácter: 8 bits para UTF-8, 16 bits para UTF-16 y 32 bits para UTF-32.
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-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