Tres formas de contar
Unicode le asigna un número, el punto de código, a cada carácter de cada sistema de escritura: A es U+0041, ñ es U+00F1, 👍 es U+1F44D. JavaScript guarda los textos en UTF-16: cada punto de código ocupa una o dos unidades de 16 bits.
| Nivel | Qué es | Cómo se cuenta |
|---|---|---|
| Unidad UTF-16 | Lo que guarda JavaScript | texto.length, texto[i], slice |
| Punto de código | Un carácter de Unicode | [...texto].length, for...of |
| Grafema | Lo que una persona ve como un carácter | Intl.Segmenter |
const textos = ["hola", "ñandú", "👍", "👨👩👧"];
const seg = new Intl.Segmenter("es", { granularity: "grapheme" });
for (const t of textos) {
console.log(t, t.length, [...t].length, [...seg.segment(t)].length);
}
La familia son tres personas unidas por un carácter invisible, el unión de ancho cero (ZWJ): 5 puntos de código, 8 unidades, 1 grafema.
Puntos de código
const pulgar = "👍";
console.log(pulgar.codePointAt(0).toString(16)); // 1f44d
console.log(String.fromCodePoint(0x1f600)); // 😀
console.log("\u{1F680} despegue"); // escape con el punto de código
for (const c of "a👍b") console.log(c); // for...of recorre por puntos de código
Normalizar
Algunos caracteres se pueden escribir de dos formas: é como un solo punto de código (U+00E9), o como e + un acento combinante (U+0301). Se ven igual, pero no son iguales:
const a = "café";
const b = "café";
console.log(a === b, a.length, b.length);
console.log(a.normalize() === b.normalize()); // NFC por defecto: compone
console.log(b.normalize("NFD").length); // NFD: descompone
Normaliza (con normalize(), que usa la forma NFC) antes de comparar, buscar o guardar textos que vienen de fuentes distintas.
Un truco útil: descomponer y quitar los acentos, para buscar sin que importen:
const sinAcentos = (t) => t.normalize("NFD").replace(/\p{M}/gu, "");
console.log(sinAcentos("Ñandú, canción, pingüino"));
Texto mal formado (ES2024)
Si cortas un texto en medio de un emoji, queda medio par de unidades suelto (un sustituto solitario). Ese texto está mal formado y rompe funciones como encodeURIComponent:
const roto = "👍 ok".slice(0, 1);
console.log(roto.isWellFormed()); // false
console.log(roto.toWellFormed()); // reemplaza lo suelto por �
console.log("👍 ok".isWellFormed());
Cortar y contar bien
const seg = new Intl.Segmenter("es", { granularity: "grapheme" });
function recortar(texto, max) {
const partes = [...seg.segment(texto)].map((s) => s.segment);
return partes.length > max ? partes.slice(0, max).join("") + "…" : texto;
}
console.log(recortar("Hola 👨👩👧 familia", 6));
const palabras = new Intl.Segmenter("es", { granularity: "word" });
console.log([...palabras.segment("¡Hola, mundo!")].filter((s) => s.isWordLike).map((s) => s.segment));
Resumen
- JavaScript guarda el texto en UTF-16:
lengthcuenta unidades, no caracteres. [...texto]yfor...ofrecorren por puntos de código;Intl.Segmenter, por grafemas (lo que se ve).- Un mismo carácter puede tener varias representaciones: normaliza antes de comparar.
- Cortar en medio de un emoji deja texto mal formado;
isWellFormedytoWellFormed(ES2024) lo detectan y reparan. - Para contar o recortar lo que ve una persona, usa
Intl.Segmenter.
¡A practicar!
Tu progreso se guarda en este navegador.
Autoevaluación: ¿Cuántos caracteres?
Resuelto
Elige una respuesta en cada pregunta.
¿Por qué
"👍".lengthda 2?"é"escrito con un solo carácter y"e\u0301"(e + acento combinante), ¿son iguales con===?¿Qué cuenta
Intl.Segmentercongranularity: "grapheme"?¿Qué hace
texto.isWellFormed()(ES2024)?
Ordena la salida: Contar de tres formas
Resuelto
Dos é, un pulgar y una familia. Ordena lo que aparecería en la consola.
1const e1 = "é"; // un solo carácter2const e2 = "e\u0301"; // e + acento combinante3console.log(e1 === e2, e1.normalize() === e2.normalize());4 5console.log("👍".length, [..."👍"].length);6 7const familia = "👨👩👧";8console.log([...familia].length);9console.log([...new Intl.Segmenter("es", { granularity: "grapheme" }).segment(familia)].length);Consola, de arriba abajo
- 5
- false true
- 1
- 2 1
Las dos é son distintas hasta que se normalizan. El pulgar ocupa 2 unidades de 16 bits, pero es 1 punto de código, que es lo que cuenta el spread. La familia son 5 puntos de código (tres personas unidas por dos caracteres invisibles), pero un solo grafema: lo que ves.
Detective: Cortar un emoji por la mitad
Resuelto
Se quería poner la inicial de una reacción en una URL. Encuentra la línea y elige el arreglo.
Consola
reaccion.js:4
console.log(encodeURIComponent(inicial));
^
URIError: URI malformedPaso 1: toca la línea de código que causa el error.
Paso 2: ¿cómo lo arreglas?
Laboratorio: Contar lo que se ve
Resuelto
Escribe contarCaracteres(texto), que cuente lo que ve una persona.
$ node programa.js
Lo que debe cumplir
- Imprime
6y1(pendiente) - Cuenta bien los acentos combinantes:
"e\u0301"es 1 (pendiente) - Usa
Intl.Segmenter(pendiente)
Una solución
1const segmentador = new Intl.Segmenter("es", { granularity: "grapheme" });2 3function contarCaracteres(texto) {4 return [...segmentador.segment(texto)].length;5}6 7console.log(contarCaracteres("hola 👋"));8console.log(contarCaracteres("👨👩👧"));Es lo que necesitas para un contador de caracteres en un formulario, o para cortar un texto largo sin romper emojis. length y el spread cuentan otras cosas: unidades de 16 bits y puntos de código.