Softonic

Calculadora de Comprimento de String

Etapa 1 / 3
Próximo

Cole uma string e a ferramenta informa seu comprimento em quatro sentidos diferentes, estilo JavaScript .length (unidades de código UTF-16), pontos de código Unicode, clusters de grafemas (o que os usuários percebem como um caractere) e bytes UTF-8 (o que sua coluna de banco de dados realmente armazena). Esses números discordam para qualquer string com emoji, bandeiras ou marcas combinatórias, e essa discordância é a fonte de muitos bugs.

Os quatro sentidos do comprimento da string

  1. 1

    Unidades de código UTF-16

    O que `str.length` retorna em JavaScript. 1 para a maioria dos caracteres, 2 para qualquer ponto de código além de U+FFFF (emoji, scripts antigos).

  2. 2

    Pontos de código

    Um por escalar Unicode. Emojis são 1 cada; sequências ZWJ são múltiplas.

  3. 3

    Clusters de grafemas

    O que um usuário chama de "um caractere". `🇺🇸` é 2 pontos de código, mas 1 grafema. `n̈` é 2 pontos de código, mas 1 grafema.

  4. 4

    Bytes UTF-8

    O que seu banco de dados armazena. ASCII = 1 byte cada; comum europeu = 2; CJK = 3; a maioria dos emojis = 4.

Exemplos

String JS .length Pontos de código Grafemas Bytes UTF-8
hello 5 5 5 5
café 4 4 4 5
😀 2 1 1 4
🇺🇸 4 2 1 8
👨‍👩‍👧 (família) 8 5 1 18
n̈ (n + diacrítico) 2 2 1 3

Por que os números diferem

Strings JavaScript são UTF-16, então um ponto de código acima de U+FFFF é armazenado como um par de substituição, duas unidades de código UTF-16. "😀".length === 2. Os usuários odeiam isso porque pensam em 😀 como um caractere.

Grafemas vão mais longe: uma bandeira de país é dois pontos de código de indicador regional que o usuário vê como uma bandeira. "🇺🇸".length === 4 em JavaScript, o que parece absurdo, mas é isso. Para iterar sobre grafemas, use Intl.Segmenter (moderno), biblioteca grapheme-splitter, ou trate manualmente.

Bytes UTF-8: o que seu banco de dados armazena

Para uma coluna tipada VARCHAR(255):

  • No MySQL utf8 (real: utf8mb3), os 255 são bytes. café ocupa 5 bytes, então você encaixa 51 cópias.
  • No MySQL utf8mb4 (UTF-8 real, inclui emoji), ainda são bytes, mas a codificação suporta sequências de 4 bytes.
  • No Postgres VARCHAR(255), os 255 são caracteres (pontos de código), não bytes.
  • No SQL Server VARCHAR, varia por collation; NVARCHAR conta 2 bytes de unidades UCS-2.

Se você dimensionar campos de banco de dados pelo limite de caracteres visíveis ao usuário, use bytes × 4 para segurança em colunas UTF-8, cada grafema pode ocupar até 4 bytes por ponto de código, com sequências ZWJ adicionando mais.

Contagem de caracteres estilo Twitter

O Twitter conta um tweet por uma regra personalizada: pontos de código, mas emojis e ideogramas CJK contam como 2. Um tweet 100% ASCII pode ter 280 caracteres; um tweet com 140 emojis atinge o máximo de 140 “caracteres”.

Contagem SMS: 160 caracteres em GSM 7-bit. Qualquer caractere não-GSM (á, é, ñ, emoji) muda a codificação para UCS-2, e o comprimento da sua mensagem cai para 70 caracteres.

Usos práticos

  • Dimensionamento de coluna de banco de dados, verifique a contagem de bytes antes de escrever uma migração.
  • Aplicação de cota de API, a maioria das APIs conta bytes, não caracteres.
  • Validação de formulário, mostre ao usuário uma contagem precisa de caracteres que corresponda à sua expectativa (grafemas).
  • Depuração de desempenho, por que essa regex itera lentamente? Porque a entrada é 3x mais longa em unidades de código do que em grafemas.

Perguntas frequentes

Esse emoji é uma sequência ZWJ combinando múltiplos pontos de código (por exemplo, um emoji de família tem 7 pontos de código). O Twitter conta como 2 caracteres por regra de peso Unicode; seu editor mostra 1 grafema. Ambos estão tecnicamente certos, eles apenas medem coisas diferentes.

Em bancos de dados UTF-8, permita 4 bytes por caractere esperado para segurança. Um campo de 100 caracteres (grafema) deve ser VARCHAR(400) bytes, ou se seu banco de dados conta em caracteres como o Postgres, VARCHAR(100) com o tratamento de charset.

Em JavaScript: depende da forma de composição. Composto NFC (U+00E1) tem comprimento 1; decomposto NFD (U+0061 + U+0301) tem comprimento 2. Mesmo caractere visível, sequências de bytes diferentes.

Emojis de família e profissão são longas sequências ZWJ. Fontes sem suporte completo renderizam cada ponto de código como um glifo separado, então 👨‍💻 se torna 👨+💻. Atualizar a fonte do sistema operacional resolve isso.

Ferramentas relacionadas

Gerador de nomes de cidades

Gere nomes fictícios de cidades, vilas, aldeias e capitais para worldbuilding, mapas, jogos, histórias e dados fictícios, em um idioma real ou em um estilo inventado.

Gerador de Texto Negrito Itálico

Transforme texto comum em caracteres Unicode negrito itálico. Pronto para colar em bios do Instagram, Twitter/X, LinkedIn e Discord onde markdown não é suportado.

Gerador de anagramas

Digite uma palavra curta e veja cada reorganização única das letras, sem permutações duplicadas e com limite de resultados ajustável.

Gerador de Fonte do Instagram

Gere "fontes" Unicode (negrito, itálico, script, monoespaçado, fraktur) que podem ser coladas diretamente na sua bio, nome, legendas e comentários do Instagram.

Copiar símbolos de coração

Copie uma seleção de símbolos de coração, emojis coloridos e combinações decorativas. Consulte os pontos de código Unicode exatos antes de colar.

Gerador de Texto Assustador

Transforme texto simples em texto zalgo / glitch assustador usando marcas combinatórias Unicode. Intensidade ajustável. Funciona em redes sociais, Discord e na maioria das fontes.

Ferramenta disponível em outros idiomas