Saltar al contenido
Biblioteca estándar

Unicode y emojis

Lección 4 de 711 min4 ejercicios

"👍".length da 2. "👨‍👩‍👧".length da 8. Y dos palabras que se ven idénticas pueden no ser iguales con ===. No son errores de JavaScript: son consecuencias de cómo se guarda el texto. Entenderlo te ahorra errores muy difíciles de ver con contadores, recortes y comparaciones.

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: length cuenta unidades, no caracteres.
  • [...texto] y for...of recorren 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; isWellFormed y toWellFormed (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?

Elige una respuesta en cada pregunta.

  1. ¿Por qué "👍".length da 2?

  2. "é" escrito con un solo carácter y "e\u0301" (e + acento combinante), ¿son iguales con ===?

  3. ¿Qué cuenta Intl.Segmenter con granularity: "grapheme"?

  4. ¿Qué hace texto.isWellFormed() (ES2024)?

Ordena la salida: Contar de tres formas

Dos é, un pulgar y una familia. Ordena lo que aparecería en la consola.

const e1 = "é";            // un solo carácterconst e2 = "e\u0301";      // e + acento combinanteconsole.log(e1 === e2, e1.normalize() === e2.normalize()); console.log("👍".length, [..."👍"].length); const familia = "👨‍👩‍👧";console.log([...familia].length);console.log([...new Intl.Segmenter("es", { granularity: "grapheme" }).segment(familia)].length);

Consola, de arriba abajo

  1. 5
  2. false true
  3. 1
  4. 2 1

Detective: Cortar un emoji por la mitad

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 malformed

Paso 1: toca la línea de código que causa el error.

Laboratorio: Contar lo que se ve

Escribe contarCaracteres(texto), que cuente lo que ve una persona.

programa.jsse ejecuta mientras escribes

$ node programa.js

(escribe tu código: se ejecuta solo)

Lo que debe cumplir

  • Imprime 6 y 1 (pendiente)
  • Cuenta bien los acentos combinantes: "e\u0301" es 1 (pendiente)
  • Usa Intl.Segmenter (pendiente)

    domina-js · JavaScript en español, gratis y paso a paso.