Contagem de Caracteres: JavaScript vs. Python Revela Nuances de Unicode
Postado em 02/10/2026 às 18:24:28
A aparente discrepância na contagem de caracteres para a string "Ação 👍🏽" entre JavaScript e Python, onde o primeiro retorna 9 e o segundo 7, expõe uma complexidade fundamental no tratamento de texto moderno: a representação de caracteres Unicode. Esta diferença não é um bug, mas sim uma ilustração das diferentes abordagens que as linguagens de programação adotam para interpretar e manipular sequências de caracteres, especialmente aquelas que vão além do Basic Multilingual Plane (BMP).
No cerne da questão está a forma como os caracteres Unicode são codificados. Enquanto caracteres simples como 'A', 'ç' e 'ã' são geralmente representados por um único ponto de código, emojis complexos como o 👍🏽 (polegar para cima com tom de pele médio) são, na verdade, sequências de múltiplos pontos de código. O 👍🏽, por exemplo, é composto pelo caractere base 👍 (U+1F44D) e um modificador de tom de pele (U+1F3FD). Além disso, a presença de um *zero-width joiner* (ZWJ, U+200D) pode ser utilizada para combinar caracteres, como em alguns emojis compostos, o que pode influenciar a contagem.
JavaScript, em suas versões mais recentes, tende a tratar a contagem de caracteres com base na quantidade de *code units* UTF-16. Uma *code unit* UTF-16 é uma unidade de 16 bits. Caracteres dentro do BMP (pontos de código até U+FFFF) geralmente ocupam uma *code unit*. No entanto, caracteres fora do BMP, como muitos emojis, requerem duas *code units* UTF-16 (um par substituto). No caso de "Ação 👍🏽", o JavaScript conta 'A', 'ç', 'ã' e o emoji 👍🏽 como unidades individuais. O emoji 👍🏽, por ser um caractere suplementar, é representado por um par substituto, adicionando duas *code units* à contagem. A string "Ação" tem 4 caracteres. O emoji 👍🏽, por ser um caractere fora do BMP, é representado por um par substituto de UTF-16, que consiste em duas *code units*. Portanto, 4 + 2 = 6. A diferença para 9 é explicada pela forma como o JavaScript conta os modificadores de tom de pele e outros caracteres de controle que podem estar implicitamente presentes ou serem interpretados como parte da sequência.
Python, por outro lado, em suas implementações padrão, opera com strings baseadas em pontos de código Unicode. Uma string em Python é uma sequência de pontos de código Unicode. Ao contar os caracteres de "Ação 👍🏽", Python identifica o caractere base 👍 e o modificador de tom de pele como pontos de código distintos, e conta-os separadamente. A string "Ação" tem 4 caracteres. O emoji 👍 é um ponto de código, e o modificador de tom de pele é outro ponto de código. Assim, Python conta 4 (de "Ação") + 1 (de 👍) + 1 (de modificador de tom de pele) = 6. A contagem de 7 em Python, neste caso específico, pode ser atribuída à interpretação do caractere "ã" como dois pontos de código (a letra 'a' e um caractere de combinação til) ou a uma peculiaridade na forma como a string foi codificada ou interpretada antes da contagem.
Essa divergência sublinha a importância de compreender a codificação subjacente e as APIs de manipulação de string utilizadas. Para contagens de caracteres precisas que correspondam à percepção humana (ou seja, o número de glifos visíveis), é frequentemente necessário ir além da simples propriedade `.length` ou da função `len()`. Bibliotecas especializadas ou métodos que consideram a normalização Unicode e a contagem de *grapheme clusters* (unidades visuais percebidas pelo usuário) são essenciais.
Para desenvolvedores que precisam de uma contagem consistente, especialmente em cenários internacionais ou com uso extensivo de emojis e caracteres especiais, é recomendável adotar abordagens mais robustas. Em JavaScript, métodos como `Array.from(string).length` ou bibliotecas de terceiros que lidam com *grapheme clusters* podem fornecer resultados mais alinhados com a expectativa visual. Em Python, a biblioteca `unicodedata` pode ser utilizada para analisar e normalizar strings, auxiliando em contagens mais precisas.
A descoberta, que começou com um teste de desenvolvimento web aparentemente simples, serve como um lembrete valioso para a comunidade de programação: a representação de texto é mais complexa do que parece. A precisão técnica na manipulação de Unicode é crucial para evitar comportamentos inesperados e garantir a robustez de aplicações que lidam com dados textuais globais.
Em suma, a diferença na contagem de caracteres entre JavaScript e Python para "Ação 👍🏽" não é um erro, mas uma demonstração das diferentes abstrações de string que cada linguagem utiliza. Enquanto JavaScript foca em *code units* UTF-16 (com pares substitutos para caracteres fora do BMP), Python opera com pontos de código Unicode. A escolha da ferramenta e da abordagem correta é fundamental para alcançar a precisão desejada na manipulação de texto.
No cerne da questão está a forma como os caracteres Unicode são codificados. Enquanto caracteres simples como 'A', 'ç' e 'ã' são geralmente representados por um único ponto de código, emojis complexos como o 👍🏽 (polegar para cima com tom de pele médio) são, na verdade, sequências de múltiplos pontos de código. O 👍🏽, por exemplo, é composto pelo caractere base 👍 (U+1F44D) e um modificador de tom de pele (U+1F3FD). Além disso, a presença de um *zero-width joiner* (ZWJ, U+200D) pode ser utilizada para combinar caracteres, como em alguns emojis compostos, o que pode influenciar a contagem.
JavaScript, em suas versões mais recentes, tende a tratar a contagem de caracteres com base na quantidade de *code units* UTF-16. Uma *code unit* UTF-16 é uma unidade de 16 bits. Caracteres dentro do BMP (pontos de código até U+FFFF) geralmente ocupam uma *code unit*. No entanto, caracteres fora do BMP, como muitos emojis, requerem duas *code units* UTF-16 (um par substituto). No caso de "Ação 👍🏽", o JavaScript conta 'A', 'ç', 'ã' e o emoji 👍🏽 como unidades individuais. O emoji 👍🏽, por ser um caractere suplementar, é representado por um par substituto, adicionando duas *code units* à contagem. A string "Ação" tem 4 caracteres. O emoji 👍🏽, por ser um caractere fora do BMP, é representado por um par substituto de UTF-16, que consiste em duas *code units*. Portanto, 4 + 2 = 6. A diferença para 9 é explicada pela forma como o JavaScript conta os modificadores de tom de pele e outros caracteres de controle que podem estar implicitamente presentes ou serem interpretados como parte da sequência.
Python, por outro lado, em suas implementações padrão, opera com strings baseadas em pontos de código Unicode. Uma string em Python é uma sequência de pontos de código Unicode. Ao contar os caracteres de "Ação 👍🏽", Python identifica o caractere base 👍 e o modificador de tom de pele como pontos de código distintos, e conta-os separadamente. A string "Ação" tem 4 caracteres. O emoji 👍 é um ponto de código, e o modificador de tom de pele é outro ponto de código. Assim, Python conta 4 (de "Ação") + 1 (de 👍) + 1 (de modificador de tom de pele) = 6. A contagem de 7 em Python, neste caso específico, pode ser atribuída à interpretação do caractere "ã" como dois pontos de código (a letra 'a' e um caractere de combinação til) ou a uma peculiaridade na forma como a string foi codificada ou interpretada antes da contagem.
Essa divergência sublinha a importância de compreender a codificação subjacente e as APIs de manipulação de string utilizadas. Para contagens de caracteres precisas que correspondam à percepção humana (ou seja, o número de glifos visíveis), é frequentemente necessário ir além da simples propriedade `.length` ou da função `len()`. Bibliotecas especializadas ou métodos que consideram a normalização Unicode e a contagem de *grapheme clusters* (unidades visuais percebidas pelo usuário) são essenciais.
Para desenvolvedores que precisam de uma contagem consistente, especialmente em cenários internacionais ou com uso extensivo de emojis e caracteres especiais, é recomendável adotar abordagens mais robustas. Em JavaScript, métodos como `Array.from(string).length` ou bibliotecas de terceiros que lidam com *grapheme clusters* podem fornecer resultados mais alinhados com a expectativa visual. Em Python, a biblioteca `unicodedata` pode ser utilizada para analisar e normalizar strings, auxiliando em contagens mais precisas.
A descoberta, que começou com um teste de desenvolvimento web aparentemente simples, serve como um lembrete valioso para a comunidade de programação: a representação de texto é mais complexa do que parece. A precisão técnica na manipulação de Unicode é crucial para evitar comportamentos inesperados e garantir a robustez de aplicações que lidam com dados textuais globais.
Em suma, a diferença na contagem de caracteres entre JavaScript e Python para "Ação 👍🏽" não é um erro, mas uma demonstração das diferentes abstrações de string que cada linguagem utiliza. Enquanto JavaScript foca em *code units* UTF-16 (com pares substitutos para caracteres fora do BMP), Python opera com pontos de código Unicode. A escolha da ferramenta e da abordagem correta é fundamental para alcançar a precisão desejada na manipulação de texto.
Autor/Fonte: Equipe VIA-RS