サロゲートペアとは？「絵文字を4バイトで表す仕組み」などをわかりやすく解説！

普段、私たちが使っている「文字」は、コンピュータの内部ではすべて数値（文字コード）で表現されています。たとえば「A」も「あ」も「吉」も、実はそれぞれ異なる文字コードを持っています。

ところが、Unicodeの世界には「2バイトでは表現できない文字」も存在します。その代表例が、絵文字（emoji）や「下側の線が長い吉」のような文字です。

これらの文字を扱うために生まれたのが「サロゲートペア（surrogate pair）」という仕組み。

この記事では、サロゲートペアの意味・仕組み・具体例、そしてUnicodeコードポイントからUTF-16への変換方法などを図を用いてわかりやすく解説します。

サロゲートペアとは？

サロゲートペア（surrogate pair）とは、UTF-16で表現できる文字数の上限（U+FFFF）を超えた文字を、4バイト（2つの16ビット値）で表す仕組みです。このサロゲートペアが使われるのはUnicodeのU+10000以降（U+10000～U+10FFFF）にある文字であり、絵文字や一部の漢字、特殊記号などがこれに該当します。

もう少し詳しく説明します。

UTF-16は、Unicodeの文字を16ビット（＝2バイト）単位で表現する文字コード方式です。

UTF-16では、通常1文字を2バイトで表現します。2バイトだと0x0000～0xFFFF（＝約6万5千通り）の値を表せるため、当初はこの範囲で世界中の文字を網羅しようというのがUnicodeの構想でした。

日本語でも同様に、全角・半角に関係なく1文字あたり2バイトを使用します。たとえば「a」も「あ」も2バイトです。そのため、「文字数 × 2 = 使用バイト数」という関係が常に成り立ち、使用バイト数を2で割れば簡単に文字数を求められるという利点がありました。文字列を1文字ずつ処理するプログラムを書くときにも便利でした。

しかし、Unicodeに含めたい文字が年々増え、2バイトでは文字が足りない状況になりました。とはいえ、すべての文字を4バイトに拡張すると、それまでUTF-16を利用していたシステムに影響が出てしまうため、「基本は2バイトのまま、一部の文字だけ4バイトにする」という仕組みが採用されました。この4バイト1文字で表される文字が「サロゲートペア」です。

サロゲートペアでは、従来使われていなかったUnicodeの0xD800～0xDFFF領域を利用します（この領域は通常の文字には使われないように予約されていました）。0xD800～0xDBFF（1024通り）を「上位サロゲート（high surrogate）」、0xDC00～0xDFFF（1024通り）を「下位サロゲート（low surrogate）」と定義し、この2つを組み合わせた「上位サロゲート＋下位サロゲート」で1文字を表現します。

この仕組みにより、1024×1024＝1,048,576（約100万）文字分の新しい領域が追加されました。

つまり、サロゲートペアは「UTF-16の互換性を維持したまま、Unicodeの文字数上限を大幅に拡張するための仕組み」です。

サロゲートペアの具体例

実際にどのような文字がサロゲートペアで表現されているのか、具体例を見てみましょう。

絵文字

サロゲートペアのその代表的な例が、絵文字（emoji）です。たとえば、以下のような絵文字はすべてサロゲートペアによって表現されています。

これらの絵文字は、上位サロゲート（U+D83D）と下位サロゲート（U+DE00〜U+DE4F）の2つを組み合わせて1文字として扱われます。つまり、UTF-16ではこのような絵文字は「4バイト」を使って表現されているのです。そのほかにも、以下のような絵文字もサロゲートペアで表現されています。

ただし、すべての絵文字がサロゲートペアというわけではありません。たとえば「☹（U+2639）」や「☺（U+263A）」といった昔からある絵文字はUTF-16では1つの16ビット値（2バイト）で表されます。

JIS第1水準・JIS第2水準に含まれない文字

JIS第1水準・JIS第2水準に含まれない文字を下表に示します。

サロゲートペアは、絵文字だけでなく、JIS第1水準・JIS第2水準に含まれない漢字などでも使われます。例えば、下側の線が長い「吉」のような文字です。

以下のサイトでは、入力した文字がどのようなコードで表現されているのかを調べられます。

例えば、上記のサイトに、下側の線が短い「吉」と下側の線が長い「吉」を入力してみると、次のように違いが確認できます。

下側の線が短い「吉」と下側の線が長い「吉」のそれぞれの文字コードが表示されています。最下行「備考」の欄に、下側の線が長い「吉」は「サ,未収録」と表示されていますが、この「サ」がサロゲートペアであることを示しています。下側の線が長い「吉」は「句点番号」や「Shift JIS」では表現できず、「UTF-8」や「UTF-16」では正しく表現することができます。

まとめると、下側の線が長い「吉」は以下のように表現されます。

HTMLでサロゲートペアの文字を表示する方法

HTMLでは、「&#x」＋（Unicodeの16進数）＋「;」と書くことで、Unicodeの文字コードから直接文字を表示することができます。

例えば、「あ（Unicode: 0x3042）」を表示したい場合、あとHTMLに書きます。

同じ方法で、サロゲートペアを使う文字も表示できます。例えば、下側の線が長い「吉」（ Unicode: 0x20BB7）の場合、𠮷とHTMLに書きます。

Javascriptでサロゲートペアの文字を表示する方法

JavaScriptでも、Unicode文字を直接出力することができます。下側の線が長い「吉」（ Unicode: 0x20BB7）のようなサロゲートペア文字も扱えます。

JavaScriptの文字列リテラルでは、\uXXXXの形式を使うと、UTF-16で1つの文字を指定できます。しかし下側の線が長い「吉」はサロゲートペア（4バイト）なので、2つの\uXXXX指定で構成します。

// 「下側の線が長い『吉』」をUTF-16で出力する例
console.log('\uD842\uDFB7'); // 下側の線が長い「吉」

ECMAScript 2015（ES6）以降では、\u{}という新しい形式でUnicodeコードポイントを直接指定できます。これにより、サロゲートペアを意識せずに書けるようになりました。

// Unicodeコードポイントで直接指定（ES6以降）
console.log('\u{20BB7}'); // 下側の線が長い「吉」

サロゲートペアの文字コードは「5桁」だけどデータは「4バイト」

UTF-16では、通常1文字を2バイト（16ビット）で表現します。そのため、従来のUnicode文字コードは「4桁の16進数（例：U+3042）」で表記されていました。

一方、サロゲートペアの文字は4バイト（32ビット）で表現されます。「4バイトなら、文字コードも8桁の16進数になるのでは？」と思われるかもしれませんが、Unicodeコードポイントは5桁（例：U+20BB7）の形で表記されます。

これは、サロゲートペアのUnicodeコードポイントが独自の変換規則に従って4バイトに分解される仕組みになっているためです。つまり、「サロゲートペアの文字は、文字コードは5桁だけど、実際のデータは4バイト」というぐらいで理解しておいてください。

では変換手順を、実際の計算過程（U+20BB7をUTF-16のD842 DFB7に変換する）と一緒に見てみましょう。

UnicodeコードポイントからUTF-16への変換方法

手順①：0x10000 を引く

まず、下側の線が長い「吉」のUnicodeコードポイントU+20BB7から0x10000を引きます。

0x20BB7 - 0x10000 = 0x10BB7

この結果をX = 0x10BB7とします。

手順②：Xを0x400（＝1024）で割る

次に、X = 0x10BB7を0x400で割ります。

0x10BB7 ÷ 0x400 = 商 0x42、余り 0x2B7

• 商（0x42）は「上位サロゲート」計算に使います
• 余り（0x2B7）は「下位サロゲート」計算に使います

手順③：上位・下位サロゲートを求める

それぞれに基準値を足します。商（0x42）には0xD800に足します。これを「上位サロゲート」とします。余り（0x2B7）には0xDC00に足します。これを「下位サロゲート」とします。

手順④：上位＋下位の順に並べる

上位サロゲート → 下位サロゲートの順で並べると、UTF-16のD842 DFB7になります。これが、下側の線が長い「吉」（ Unicode: 0x20BB7）の4バイト表現です。

本記事のまとめ

この記事では『サロゲートペア』について説明しました。

サロゲートペアは、UTF-16の世界で「2バイトでは表せない文字」を扱うための仕組みです。基本的な文字（あ・A・漢字など）は2バイトで表現できますが、絵文字や一部の漢字などの文字は「4バイト＝サロゲートペア」で表現されます。

これを理解しておくと、「なぜ一部の文字が文字化けするのか」「なぜ文字数カウントがずれるのか」といったトラブルの原因も見えてきます。

お読みいただきありがとうございました。