サロゲートペア【surrogate pair】

概要

サロゲートペア（surrogate pair）とは、Unicodeの未使用領域のコード2つを組み合わせて、拡張領域の文字を表す手法。U+010000～U+10FFFF の104万8576文字を表すことができる。

Unicodeの初期の構想では16ビット（65,536文字）のコードにすべての文字を収録する予定だったが、世界中の文字を収録するには少なすぎた。このため、16ビット単位のコード体系を崩すことなく追加の文字を表す方法として、2つのコードを組み合わせて1つの文字を表す手法が考案された。

初期Unicodeの16ビットの範囲（U+0000～U+FFFF）は「基本多言語面」（BMP）と呼ばれるが、U+D800～U+DBFF にある1,024文字分（10ビット）の値から1つ、U+DC00～U+DFFF の1,024文字分から1つを選び、前者から D800 引いたものを上位10ビット、後者から DC00 を引いたもの下位10ビットに見立てることで20 ビットの値を表すことができる。

得られた20 ビットの値（U+00000～U+FFFFF）は先頭部分（U+0000～U+FFFF）がBMPと重なってしまうため、10000 を加算することで U+10000 から U+10FFFF の拡張領域の各コードポイントに対応付けることができる。先頭同士を組み合わせた「U+D800 U+DC00」という並びは「U+10000」を表し、末尾同士を組み合わせた「U+DBFF U+DFFFF」という並びは「U+10FFFF」をそれぞれ表す。

サロゲートペアを導入することでBMPからは2,048文字分（1,024＋1,024）が削減されたが、代わりに拡張領域の1,048,576文字（1,024×1,024）をBMP内の16ビットコード2つの組み合わせで表現することができるようになった。

(2024.6.6更新)