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 emoji. The .length property in JavaScript counts UTF-16UTF-16
Кодировка Unicode переменной ширины, использующая 2 или 4 байта на символ; применяется внутри JavaScript, Java и 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"

Unicode 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
Кодировка Unicode переменной ширины, использующая от 1 до 4 байт на символ; является доминирующей в интернете (применяется более чем на 98% сайтов).
'))
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

ZWJОбъединитель нулевой ширины (ZWJ)
Невидимый символ Unicode (U+200D), используемый для соединения нескольких эмодзи в одно составное, например при создании эмодзи профессий из фигур людей и предметов.
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 — широко используемая библиотека с открытым исходным кодом, обеспечивающая поддержку Unicode и интернационализации, включая обработку эмодзи.
) 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.

Похожие инструменты

🔍 Анализатор последовательностей Анализатор последовательностей
Декодируйте ZWJ-последовательности, модификаторы тона кожи, последовательности клавиш и пары флагов в отдельные компоненты.

Термины глоссария

ICU (ICU) ICU (ICU)
International Components for Unicode — широко используемая библиотека с открытым исходным кодом, обеспечивающая поддержку Unicode и интернационализации, включая обработку эмодзи.
UTF-16 UTF-16
Кодировка Unicode переменной ширины, использующая 2 или 4 байта на символ; применяется внутри JavaScript, Java и Windows.
UTF-8 UTF-8
Кодировка Unicode переменной ширины, использующая от 1 до 4 байт на символ; является доминирующей в интернете (применяется более чем на 98% сайтов).
Кластер графем Кластер графем
Воспринимаемый пользователем символ, который может состоять из нескольких кодовых точек Unicode, отображаемых как единое визуальное целое.
Кодовая точка Кодовая точка
Уникальное числовое значение, присвоенное каждому символу в стандарте Unicode и записываемое в формате U+XXXX (например, U+1F600 для 😀).
Кодовый блок Кодовый блок
Минимальная битовая комбинация, используемая для кодирования символа: 8 бит для UTF-8, 16 бит для UTF-16 и 32 бита для UTF-32.
Объединитель нулевой ширины (ZWJ) Объединитель нулевой ширины (ZWJ)
Невидимый символ Unicode (U+200D), используемый для соединения нескольких эмодзи в одно составное, например при создании эмодзи профессий из фигур людей и предметов.
Селектор вариантов (VS) Селектор вариантов (VS)
Символы Unicode (VS-15 U+FE0E и VS-16 U+FE0F), определяющие, будет ли символ отображаться в текстовом (монохромном) или эмодзи (цветном) виде.
Суррогатная пара Суррогатная пара
Два кодовых блока UTF-16 (старший суррогат U+D800–U+DBFF, за которым следует младший суррогат U+DC00–U+DFFF), совместно представляющих символ выше U+FFFF.
Эмодзи Эмодзи
Японское слово (絵文字), означающее «картинка-символ»: небольшие графические изображения, используемые в цифровом общении для выражения идей, эмоций и объектов.
Юникод Юникод
Универсальный стандарт кодирования символов, который присваивает уникальный номер каждому символу во всех системах письма и наборах символов, включая эмодзи.

Похожие статьи