文字列長計算ツール

例

数値が異なる理由

JavaScriptの文字列はUTF-16形式であるため、U+FFFFを超えるコードポイントはサロゲートペア（2つのUTF-16コードユニット）として保存されます。"😀".length === 2となるのはこのためです。ユーザーは😀を1文字として捉えているため、この挙動を嫌います。

グラフェムはさらにその先を行きます。国旗は2つの地域識別子コードポイントで構成されますが、ユーザーはそれを1つの旗として認識します。JavaScriptでは"🇺🇸".length === 4となり、不合理に感じられますが、実際そうなっています。グラフェム単位で反復処理するには、Intl.Segmenter（モダンな手法）やgrapheme-splitterライブラリを使うか、手動で処理します。

UTF-8バイト：データベースが保存する値

型がVARCHAR(255)の列の場合：

• MySQLのutf8（実体はutf8mb3）では、255はバイト数です。caféは5バイトを消費するため、51個分を格納できます。
• MySQLのutf8mb4（絵文字も含む本来のUTF-8）でも依然としてバイト数ですが、エンコーディングは4バイトのシーケンスに対応します。
• PostgresのVARCHAR(255)では、255はバイトではなく文字数（コードポイント）です。
• SQL ServerのVARCHARでは照合順序（collation）によって異なり、NVARCHARは2バイトのUCS-2単位でカウントします。

データベースのフィールドサイズをユーザーに見える文字数の上限で決める場合は、UTF-8の列では安全を見てバイト数×4を確保してください。各グラフェムはコードポイント1つあたり最大4バイトを消費する可能性があり、ZWJシーケンスではさらに増えます。

Twitter形式の文字数カウント

Twitterはツイートを独自のルールでカウントします。基本はコードポイントですが、絵文字とCJK（中日韓）表意文字はそれぞれ2文字として数えます。100% ASCIIのツイートは280文字まで入力できますが、絵文字を140個使ったツイートは140「文字」が上限になります。

SMSの文字数カウント：GSM 7ビットでは160文字です。GSM以外の文字（á、é、ñ、絵文字）が1つでも含まれるとエンコーディングがUCS-2に切り替わり、メッセージの長さは70文字まで減少します。

実用的な用途

• データベース列のサイズ設定、マイグレーションを書く前にバイト数を確認します。
• APIクォータの適用、ほとんどのAPIは文字数ではなくバイト数をカウントします。
• フォームのバリデーション、ユーザーの感覚に合った正確な文字数（グラフェム）を表示します。
• パフォーマンスのデバッグ、なぜこの正規表現の反復処理が遅いのか？ それは、入力がグラフェム単位よりもコードユニット単位で3倍長いからです。