Softonic

Kalkulator Panjang String

Langkah 1 / 3
Berikutnya

Saat Anda menempelkan sebuah string, alat tersebut akan melaporkan panjangnya dalam empat bentuk yang berbeda: .length bergaya JavaScript (unit kode UTF-16), titik kode Unicode, kluster grafem (yang dipahami pengguna sebagai satu karakter), dan byte UTF-8 (yang sebenarnya disimpan dalam kolom basis data). Nilai-nilai ini sering tidak konsisten untuk string yang mengandung emoji, tanda bendera, atau simbol kombinasi, dan ketidaksesuaian inilah yang menjadi penyebab banyak bug.

Empat cara memaknai panjang string

  1. 1

    Unit kode UTF-16

    Nilai yang dikembalikan oleh `str.length` dalam JavaScript: 1 untuk sebagian besar karakter, dan 2 untuk setiap titik kode yang berada di luar rentang U+FFFF (seperti emoji dan aksara kuno).

  2. 2

    Titik kode

    Satu per skalar Unicode. Setiap emoji terdiri dari satu elemen; sedangkan urutan ZWJ terdiri dari beberapa elemen.

  3. 3

    Kluster grafem

    Apa yang disebut pengguna sebagai “satu karakter”. `🇺🇸` terdiri dari 2 titik kode namun hanya 1 grafem; demikian pula dengan `n̈`.

  4. 4

    Byte UTF-8

    Data yang disimpan oleh basis data Anda: ASCII = masing-masing 1 byte; karakter umum Eropa = 2 byte; karakter CJK = 3 byte; sebagian besar emoji = 4 byte.

Contoh-contoh

String JS .length Jumlah titik kode Grafem Byte UTF-8
hello 5 5 5 5
café 4 4 4 5
😀 2 1 1 4
🇺🇸 4 2 1 8
👨‍👩‍👧 (keluarga) 8 5 1 18
n̈ (n + trema) 2 2 1 3

Mengapa angka-angka berbeda

String JavaScript menggunakan format UTF-16; oleh karena itu, nilai kode yang melebihi batas U+FFFF disimpan dalam bentuk pasangan pengganti, yaitu dua unit kode UTF-16, misalnya "😀".length === 2. Pengguna sangat tidak menyukai hal ini karena mereka menganggap 😀 sebagai satu karakter tunggal.

Grafem memiliki fungsi yang lebih luas: bendera suatu negara terdiri dari dua kode indikator regional yang oleh pengguna dilihat sebagai satu bendera utuh. Contohnya adalah "🇺🇸".length === 4 dalam JavaScript, meskipun terasa tidak masuk akal, namun memang demikian adanya. Untuk mengolah grafem secara berulang, gunakan pustaka Intl.Segmenter (versi modern), grapheme-splitter, atau lakukan secara manual.

Byte UTF-8: apa yang disimpan oleh basis data Anda

Untuk kolom dengan tipe VARCHAR(255):

  • Di MySQL utf8 (yang sebenarnya menggunakan format utf8mb3), angka 255 mengacu pada jumlah byte; sedangkan café membutuhkan 5 byte, sehingga dapat menampung 51 salinan.
  • Di MySQL utf8mb4 (UTF-8 asli yang mencakup emoji), data tetap dihitung dalam byte, namun pengkodeannya mendukung urutan empat byte.
  • Di Postgres VARCHAR(255), angka 255 merujuk pada karakter (titik kode), bukan byte.
  • Pada SQL Server VARCHAR, nilainya bervariasi tergantung pada metode pengurutan (collation); sedangkan NVARCHAR menghitung unit UCS-2 sepanjang 2 byte.

Jika Anda menentukan ukuran bidang basis data berdasarkan batas karakter yang terlihat oleh pengguna, gunakan nilai bytes × 4 sebagai langkah keamanan untuk kolom dalam format UTF-8, setiap grafem dapat memakan hingga 4 byte per titik kode, dan urutan ZWJ akan menambah biaya penyimpanan lebih lanjut.

Penghitungan karakter ala Twitter

Twitter menghitung jumlah tweet berdasarkan aturan khusus: kode dihitung sebagai satu karakter, sedangkan emoji dan ideograf CJK dihitung sebanyak dua karakter. Sebuah tweet yang sepenuhnya menggunakan huruf ASCII dapat mencapai maksimal 280 karakter; sementara tweet yang menggunakan 140 emoji hanya dapat mencapai maksimal 140 karakter.

Jumlah karakter SMS: maksimal 160 karakter dalam format GSM 7-bit. Setiap karakter yang tidak termasuk dalam standar GSM (seperti á, é, ñ, atau emoji) akan mengubah pengkodean menjadi UCS-2, sehingga panjang pesan Anda berkurang menjadi 70 karakter.

Aplikasi Praktis

  • Penentuan ukuran kolom database, periksa jumlah byte sebelum melakukan migrasi.
  • Penerapan kuota API, sebagian besar API menghitung dalam satuan byte, bukan karakter.
  • Validasi formulir, menampilkan jumlah karakter yang akurat kepada pengguna sesuai dengan ekspektasi mereka (grafem).
  • Debugging kinerja, mengapa regex ini berjalan lambat? Karena data masukan 3 kali lebih panjang dalam satuan kode dibandingkan dalam satuan grafem.

Pertanyaan yang Sering Diajukan

Emoji tersebut merupakan urutan ZWJ yang terdiri dari beberapa titik kode (misalnya, emoji keluarga terdiri dari 7 titik kode). Twitter menghitungnya sebagai 2 karakter sesuai aturan bobot Unicode; sedangkan editor Anda menampilkan hanya 1 grafem. Kedua penilaian tersebut secara teknis benar, meskipun mereka mengukur hal yang berbeda.

Dalam basis data berformat UTF-8, disarankan menggunakan 4 byte untuk setiap karakter yang diharapkan demi keamanan. Bidang berisi 100 karakter (grafem) sebaiknya berupa jenis VARCHAR dengan ukuran 400 byte; jika basis data Anda mendukung karakter seperti yang digunakan oleh Postgres, gunakan VARCHAR(100) dengan pengaturan karakter set yang sesuai.

Dalam JavaScript, panjangnya bergantung pada bentuk komposisi karakternya. Komposisi NFC (U+00E1) memiliki panjang 1; sedangkan komposisi NFD yang terurai (U+0061 + U+0301) memiliki panjang 2. Karakter yang tampak sama, tetapi urutan byte-nya berbeda.

Emoji keluarga dan profesi merupakan urutan panjang ZWJ. Font yang tidak mendukung sepenuhnya akan menampilkan setiap kode sebagai karakter terpisah; oleh karena itu, 👨‍💻 menjadi 👨+💻. Pembaruan font sistem operasi dapat memperbaiki masalah ini.

Alat Terkait

Generator Nama Jepang Acak

Gabungkan satu dari 40 nama keluarga Jepang yang diromanisasi dengan satu dari 40 nama depan, nama keluarga lebih dahulu.

Generator Nama Prancis Acak

Buat 1–50 ide nama Prancis dua bagian dari daftar tetap berisi 40 nama depan dan 40 nama keluarga.

Pencari kata Wordle

Masukkan tebakan lima huruf beserta petunjuk hijau, kuning, dan abu-abu untuk menemukan kata bahasa Inggris yang cocok. Huruf berulang diperiksa dengan tepat.

Konverter Teks Gyaru

Ubah kana Jepang, kanji yang umum, dan huruf Latin menjadi gyaru-moji, atau pilih gaya lebar penuh, berlingkar, berkotak, atau tebal. Lalu salin.

Salin Simbol Matematika

Telusuri dan salin simbol matematika, pi, sigma, integral, tak hingga, huruf Yunani, teori himpunan, siap ditempel di mana pun Unicode berfungsi.

Konverter ASCII ke Teks

Dekode daftar kode ASCII desimal kembali menjadi teks terbaca yang diwakilinya. Tempel kode yang dipisah spasi, koma, atau titik koma dan baca hasilnya seketika.

Alat ini tersedia dalam bahasa lain