本文へ移動
プログラミング大全動かして、比べて、理解する。

JavaScript / コードを試す

文字を正しく数える — 絵文字と結合文字

length が見た目の文字数と合わない理由を、サロゲートペアと結合文字から説明します。スプレッド構文と Intl.Segmenter による数え方の違い、正規化と並べ替えまで実行して確かめます。

固定例はNode 24.22.3の実行記録を照合しています()。下の入力欄の結果は今回の実行で確認してください。

元の教材を読む(別タブ)

コードを編集して試す

ブラウザー内で実行します。コードの送信・自動実行・自動保存はしません。このタブを閉じると入力は失われます。機密情報は入力しないでください。

playground.js

8,192 UTF-8 byte・実行1.5秒・出力60行/8KiB以内。Ctrl / ⌘ + Enterでも実行できます。

パネルを開くと編集できます。

現在の入力は未実行です。

今回の実行結果
JavaScriptUTF-8 · LF

実行画面や検索画面の間の通常クリックでは入力をこのタブのRAMで保持します。元の教材は別タブで開きます。再読み込み・タブ終了ではRAMの入力は失われます。

第1回で length を使いました。あれは、いつでも正しいわけではありません。

example.js

console.log('あいう'.length);
console.log('あ🙂い'.length);
固定例の期待出力 · Node 24.22.3
3
4
表示用コードUTF-8 · LF

見た目はどちらも3文字です。なのに、絵文字が入ると4になりました。

length が数えているもの

JavaScript の文字列はUTF-16という形式で持たれています。 length が返すのは、その符号単位(code unit)の個数です。

多くの文字は符号単位1つで表せます。ですが、表しきれない文字があります。

example.js

console.log('あ'.length);
console.log('🙂'.length);
固定例の期待出力 · Node 24.22.3
1
2
表示用コードUTF-8 · LF

絵文字は符号単位2つの組で表されます。これをサロゲートペアと呼びます。

つまり length は嘘をついていません。 「文字の数」を数えているつもりが無いだけで、符号単位の数という約束を守っています。 数えたいものが違う、というだけの話です。

1つの文字としての番号を見る

codePointAt() は、符号位置(code point)を返します。こちらが「文字そのものの番号」です。

example.js

console.log('あ'.codePointAt(0));
console.log('🙂'.codePointAt(0));
console.log(String.fromCodePoint(128578));
固定例の期待出力 · Node 24.22.3
12354
128578
🙂
表示用コードUTF-8 · LF

65535(0xFFFF)を超える番号の文字が、サロゲートペアになります。

符号位置ごとに分ける

スプレッド構文 [...] と Array.from() は、符号位置ごとに分けてくれます。

example.js

const text = 'あ🙂い';

console.log(text.length);
console.log([...text].length);
console.log([...text]);
固定例の期待出力 · Node 24.22.3
4
3
[ 'あ', '🙂', 'い' ]
表示用コードUTF-8 · LF

見た目と合いました。 多くの場面では、これで十分です。

それでも合わないものがある

家族の絵文字を数えてみます。

example.js

const family = '👨‍👩‍👧';

console.log(family.length);
console.log([...family].length);
固定例の期待出力 · Node 24.22.3
8
5
表示用コードUTF-8 · LF

見た目は1文字なのに、符号位置でも5あります。 これは3人の絵文字を見えないつなぎ記号で連結したものだからです。

肌の色を指定した絵文字でも同じことが起きます。

example.js

console.log('👍🏽'.length);
console.log([...'👍🏽'].length);
固定例の期待出力 · Node 24.22.3
4
2
表示用コードUTF-8 · LF

「親指」と「肌の色」の2つが組み合わさっています。

見た目の1文字=書記素

人が「1文字」と感じる単位を書記素(grapheme cluster)と呼びます。 これを数えるのが Intl.Segmenter です。

example.js

const segmenter = new Intl.Segmenter('ja', { granularity: 'grapheme' });

function countCharacters(text) {
  return [...segmenter.segment(text)].length;
}

console.log(countCharacters('あ🙂い'));
console.log(countCharacters('👨‍👩‍👧'));
console.log(countCharacters('👍🏽'));
固定例の期待出力 · Node 24.22.3
3
1
1
表示用コードUTF-8 · LF

ようやく見た目と一致しました。

3つの数え方

数え方 書き方 '👨‍👩‍👧'
符号単位 text.length 8
符号位置 [...text].length 5
書記素 Intl.Segmenter 1

どれが正しいということはありません。 目的で選びます。

  • 保存できる長さの上限を見る → length(データの大きさに近い)
  • 1文字ずつ処理する → [...text]
  • 入力欄の「あと何文字」を出す → Intl.Segmenter

Intl.Segmenter は 2024 年に主要なブラウザで揃いました。古い環境も相手にするなら対応状況を確認してください。

単語で区切ることもできる

granularity を変えると、単語の単位で分けられます。

example.js

const segmenter = new Intl.Segmenter('ja', { granularity: 'word' });

console.log([...segmenter.segment('今日は良い天気です')].map((s) => s.segment));
固定例の期待出力 · Node 24.22.3
[ '今日', 'は', '良い', '天気', 'です' ]
表示用コードUTF-8 · LF

日本語には単語の区切りに空白がありません。 それでも分けられます。

見た目が同じでも、等しくない

ここからは別の問題です。が は2通りの書き方があります。

example.js

const composed = 'が';
const decomposed = 'か' + '゙';

console.log(decomposed);
console.log(composed === decomposed);
console.log(composed.length, decomposed.length);
固定例の期待出力 · Node 24.22.3
が
false
1 2
表示用コードUTF-8 · LF

画面には同じ が が出ているのに、等しくありません。 片方は「が」1文字、もう片方は「か」+「濁点」の2文字です。

macOS のファイル名やコピーしてきた文字列で、実際に起きます。

normalize() で揃える

比べる前に、どちらかの形へ正規化します。

example.js

const composed = 'が';
const decomposed = 'か' + '゙';

console.log(composed.normalize('NFC') === decomposed.normalize('NFC'));
固定例の期待出力 · Node 24.22.3
true
表示用コードUTF-8 · LF

利用者が入力した文字列を比べるときは、正規化してから比べてください。

NFKC を使うと、半角カタカナや全角英数も揃います。

example.js

console.log('ア'.normalize('NFKC'));
console.log('A1'.normalize('NFKC'));
固定例の期待出力 · Node 24.22.3
ア
A1
表示用コードUTF-8 · LF

検索の照合に向きますが、元の表記は失われます。保存する値には使わないでください。

並べ替えも辞書順ではない

sort() は符号位置の順に並べます。人が期待する順とは違います。

example.js

const words = ['banana', 'Apple', 'cherry', 'Date'];

console.log([...words].sort());
固定例の期待出力 · Node 24.22.3
[ 'Apple', 'Date', 'banana', 'cherry' ]
表示用コードUTF-8 · LF

大文字が先にまとまってしまいました。 符号位置では大文字のほうが小さいからです。

localeCompare() を使うと、辞書の順に近づきます。

example.js

const words = ['banana', 'Apple', 'cherry', 'Date'];

console.log([...words].sort((a, b) => a.localeCompare(b, 'ja')));
固定例の期待出力 · Node 24.22.3
[ 'Apple', 'banana', 'cherry', 'Date' ]
表示用コードUTF-8 · LF

ひらがな同士のように、既定の並べ替えでも同じ結果になる場合はあります。違いが出るかどうかは中身によります。

よくある間違い

split('') で1文字ずつに分ける

javascript失敗・注意の例

const text = 'あ🙂い';
const reversed = text.split('').reverse().join('');

console.log(reversed.length);
console.log(reversed === 'い🙂あ');
固定例の期待出力 · Node 24.22.3
4
false
表示用コードUTF-8 · LF

split('') は符号単位で分けます。 サロゲートペアが2つに割れてから逆順になるので、絵文字が壊れます。

スプレッド構文なら符号位置ごとに分かれるので、壊れません。

example.js

const text = 'あ🙂い';
const reversed = [...text].reverse().join('');

console.log(reversed);
console.log(reversed === 'い🙂あ');
固定例の期待出力 · Node 24.22.3
い🙂あ
true
表示用コードUTF-8 · LF

ただし、これでも結合文字は壊れます。家族の絵文字を逆順にすれば分解されます。 確実に扱うなら Intl.Segmenter で分けてください。

途中で切ると壊れる

javascript失敗・注意の例

const text = 'あ🙂い';

console.log(text.slice(0, 2).length);
console.log(text.slice(0, 2) === 'あ🙂');
固定例の期待出力 · Node 24.22.3
2
false
表示用コードUTF-8 · LF

slice() も符号単位で切ります。絵文字の途中で切れました。 文字数で切り詰めるなら、先に [...text] か Intl.Segmenter で分けてから取ってください。

まとめ

  • length は符号単位の数。見た目の文字数ではない
  • 絵文字は符号単位2つ(サロゲートペア)
  • [...text] は符号位置ごと。多くの場面ではこれで足りる
  • 家族や肌の色の絵文字は、符号位置でも1にならない
  • 見た目の1文字=書記素。数えるなら Intl.Segmenter
  • 同じに見えて等しくない文字がある。比べる前に normalize()
  • sort() は符号位置の順。辞書順に近づけるなら localeCompare()

この連載はここまで

文字列を作り、切り出し、探し、正しく数えるところまで来ました。 ここから先は、必要になったときに引ける形でまとめてあります。

出典

この教材の原文(Markdown・別タブ)