サロゲートペア

わかりやすいmrsekut.icon

gpt-5.icon

1. 背景

Unicode はもともと「16ビット（2バイト）で世界中の文字を表す」という思想で始まりました。

16ビットで表せる範囲は U+0000〜U+FFFF（65,536文字, BMP = Basic Multilingual Plane）。

しかしすぐに「65,536 では足りない！」と判明します。

漢字の拡張

絵文字や記号

古代文字など

そこで Unicode 2.0 以降、21ビット（U+0000〜U+10FFFF）に拡張されました。

2. UTF-16 での問題

UTF-16 は 1 code unit = 16ビット。

つまり 1 code unit では U+0000〜U+FFFF の範囲しか直接表せません。

U+10000 以上の文字を表すために考え出された仕組みがサロゲートペアです。

3. サロゲートペアの仕組み

特殊な領域を利用

Unicode の範囲 U+D800〜U+DFFF（約2,048個）を「通常の文字には使わない特殊領域」として予約。

ここを「上位サロゲート（high surrogate）」と「下位サロゲート（low surrogate）」に分け、組み合わせて1文字を表現する。

ルール

High Surrogate: U+D800〜U+DBFF

Low Surrogate: U+DC00〜U+DFFF

1文字 = high surrogate + low surrogate の2つの code unit

例: 😀 (U+1F600)

1. まず code point から 0x10000 を引く:

0x1F600 - 0x10000 = 0xF600

2. 20ビットの値に分解:

上位10ビット: 0x3D → high

下位10ビット: 0x600 → low

3. サロゲート範囲に加算:

High surrogate = 0xD800 + 0x3D = 0xD83D

Low surrogate = 0xDC00 + 0x600 = 0xDE00

4. UTF-16 の表現 = D83D DE00

4. プログラミングでの落とし穴

JavaScript の String.length は UTF-16 の code unit 数を返す。

code:js

"😀".length // → 2 （サロゲートペアだから2 code units）

サロゲートペアを「文字1つ」として扱いたい場合は、Array.from() や正規表現の u フラグを使う必要がある。

code:js

..."😀".length // → 1

"😀".match(/./u).length // → 1

Python3 などは内部で code point 単位なので len("😀") → 1 となる（実装依存はあるけど論理的には code point ベース）。