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

Why EmojiEmoji
'Resimli karakter' anlamına gelen Japonca bir kelime (絵文字): fikir, duygu ve nesneleri ifade etmek için dijital iletişimde kullanılan küçük grafik semboller.
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
Emoji dahil tüm yazı sistemleri ve sembol setlerindeki her karaktere benzersiz bir numara atayan evrensel karakter kodlama standardı.
Encodings

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

UTF-8UTF-8
Karakter başına 1 ile 4 bayt kullanan değişken genişlikli Unicode kodlaması; web'de baskın kodlamadır (web sitelerinin %98'inden fazlası tarafından kullanılır).
: 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 ZWJSıfır Genişlikli Birleştirici (ZWJ)
Birden fazla emojiyi tek bir bileşik emojide birleştirmek için kullanılan görünmez bir Unicode karakteri (U+200D); mesleği temsil eden emojiler oluşturmak için insan ve nesne emojilerini bir araya get
sequence like 👩‍💻 uses 11 bytes (4 + 3 + 4 for person + ZWJ + laptop).

UTF-16UTF-16
Karakter başına 2 veya 4 bayt kullanan değişken genişlikli Unicode kodlaması; JavaScript, Java ve Windows tarafından dahili olarak kullanılır.
: 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 (SMPEk Çok Dilli Düzlem (SMP)
Emoji kod noktalarının büyük çoğunluğunun tahsis edildiği Unicode Düzlem 1 (U+10000'dan U+1FFFF'ye).
)
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
Karakter başına tam olarak 4 bayt kullanan sabit genişlikli Unicode kodlaması; alan kullanımı pahasına doğrudan kod noktası eşlemesi sağlar.
: 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.

İlgili Araçlar

🔍 Dizi Çözümleyici Dizi Çözümleyici
ZWJ dizilerini, ten rengi değiştiricilerini, tuş kapağı dizilerini ve bayrak çiftlerini ayrı bileşenlerine çözün.

Sözlük Terimleri

Ek Çok Dilli Düzlem (SMP) Ek Çok Dilli Düzlem (SMP)
Emoji kod noktalarının büyük çoğunluğunun tahsis edildiği Unicode Düzlem 1 (U+10000'dan U+1FFFF'ye).
Emoji Emoji
'Resimli karakter' anlamına gelen Japonca bir kelime (絵文字): fikir, duygu ve nesneleri ifade etmek için dijital iletişimde kullanılan küçük grafik semboller.
Kod Noktası Kod Noktası
Unicode standardında her karaktere atanan benzersiz sayısal değer; U+XXXX biçiminde yazılır (örneğin 😀 için U+1F600).
Sıfır Genişlikli Birleştirici (ZWJ) Sıfır Genişlikli Birleştirici (ZWJ)
Birden fazla emojiyi tek bir bileşik emojide birleştirmek için kullanılan görünmez bir Unicode karakteri (U+200D); mesleği temsil eden emojiler oluşturmak için insan ve nesne emojilerini bir araya getirir.
Unicode Unicode
Emoji dahil tüm yazı sistemleri ve sembol setlerindeki her karaktere benzersiz bir numara atayan evrensel karakter kodlama standardı.
UTF-16 UTF-16
Karakter başına 2 veya 4 bayt kullanan değişken genişlikli Unicode kodlaması; JavaScript, Java ve Windows tarafından dahili olarak kullanılır.
UTF-32 UTF-32
Karakter başına tam olarak 4 bayt kullanan sabit genişlikli Unicode kodlaması; alan kullanımı pahasına doğrudan kod noktası eşlemesi sağlar.
UTF-8 UTF-8
Karakter başına 1 ile 4 bayt kullanan değişken genişlikli Unicode kodlaması; web'de baskın kodlamadır (web sitelerinin %98'inden fazlası tarafından kullanılır).
Vekil Çifti Vekil Çifti
U+FFFF'nin üzerindeki bir karakteri birlikte temsil eden iki UTF-16 kod birimi: yüksek vekil (U+D800–U+DBFF) ve ardından düşük vekil (U+DC00–U+DFFF).

İlgili Hikayeler