サロゲートペアとは？Javaプログラマが知っておくべき基礎知識

2024年10月6日 最終更新日時 : 2024年10月7日 山崎講師山崎講師

サロゲートペア（Surrogate Pair）という言葉は、プログラミングやデータベース、文字列処理に関わる人が時々耳にするかもしれません。特にJavaプログラマが覚えておくべき重要な概念の一つです。難しそうに聞こえますが、だれでも理解できるように噛み砕いて説明していきますね。

サロゲートペアを一言でいうと「代理として働く2つのペア」という意味です。UTF-16エンコーディングでは、1つの文字を表現するために2つのコード単位（ペア）で代理します。

そもそも文字はどうやってコンピュータに表現されているのか？

まずは基本からお話します。コンピュータは文字そのものを直接理解できるわけではなく、数値（コード）に変換して文字を扱います。これを文字コードと言います。たとえば、アルファベットの「A」は65、数字の「1」は49というように、各文字に対応する数値が決められています。

Unicode（ユニコード）の役割

世界中にはたくさんの言語があり、それぞれに異なる文字が使われています。この多くの文字を一つのルールで扱えるようにしたのがUnicode（ユニコード）です。Unicodeは、世界中のほぼすべての文字に対して一意のコードポイントを割り当てています。たとえば、アルファベットの「A」はU+0041、ひらがなの「あ」はU+3042というように定義されています。

UTF-16とは？

Javaは、Unicodeを表現するためにUTF-16というエンコーディング方式を使っています。このUTF-16は、文字を16ビット（2バイト）で扱います。通常、16ビットあればたくさんの文字を表現できますが、Unicodeに含まれるすべての文字を16ビット内に収めることはできません。そこで一部の特別な文字に対しては、1つの文字を2つの16ビットで表現する必要が出てきます。これがサロゲートペアです。

サロゲートペアとは？

サロゲートペアとは、1つの文字を2つの16ビットで表現する方式のことです。これは、16ビットでは収まりきらない大きなコードポイント（特殊な文字や絵文字など）を表現するために使われます。簡単に言えば、通常は1つの数字で表現できる文字を、2つの数字を組み合わせて1つの文字にする方法です。

具体的な例：絵文字「💻」の場合

たとえば、ノートパソコンの絵文字「💻」のコードポイントはU+1F4BBです。この文字をUTF-16で表現しようとすると、16ビットだけでは足りません。そこで、D83DとDCBBという2つの16ビットの数値を使って、この1文字を表現します。このように、サロゲートペアは2つの数値を1セットとして1文字を表現する技術なのです。

サロゲートペアがJavaプログラマにとって重要な理由

サロゲートペアは、特に絵文字や一部の特殊文字を扱う場面で重要になります。Javaプログラマがこれを理解していないと、文字列操作の際に誤った結果を得てしまうことがあるのです。

1. 文字列の長さの誤解

たとえば、文字列の長さを取得する場面を考えてみましょう。次のコードを見てください。

String text = "💻";
System.out.println(text.length());


ここで期待する出力は「1」かもしれませんが、実際には「2」が返ってきます。なぜなら、Javaのlength()メソッドは文字数ではなく、UTF-16での16ビット単位の数を返すからです。サロゲートペアを使っている文字は2つの16ビットで構成されているため、「💻」は1文字でも内部的には2つの部分から成り立っているのです。

2. 文字列の処理での注意

サロゲートペアを知らないまま、文字列の一部分を取得しようとすると問題が発生します。たとえば、絵文字「💻」を含む文字列を分割するとき、うまく処理できないことがあります。サロゲートペアの途中で文字列を分割してしまうと、無効な文字データになる可能性があるからです。

Javaでサロゲートペアを扱うためのポイント

サロゲートペアを正しく扱うために、Javaではいくつかの便利なメソッドが用意されています。これを知っておけば、文字列操作でのトラブルを避けることができます。

1. codePointAt()を使う

charAt()メソッドではサロゲートペアを正しく扱えません。サロゲートペアを含む文字のコードポイントを取得するには、codePointAt()メソッドを使いましょう。

String text = "💻";
int codePoint = text.codePointAt(0);
System.out.println(codePoint);  // 出力: 128187 (U+1F4BB)


このようにして、サロゲートペアの1文字を正しく取得できます。

2. codePoints()を使った文字列操作

サロゲートペアを含む文字列をループで処理する場合、char型ではなくcodePoints()メソッドを使うのが便利です。これにより、サロゲートペアを含む文字も含めて正確に処理できます。

String text = "Hello💻World";
text.codePoints().forEach(cp -> {
    System.out.println(Character.toChars(cp));
});

このコードでは、1つ1つのコードポイントを正しく取得し、サロゲートペアを考慮した文字列の処理が行えます。

サロゲートペアを考慮した設計が必要な場面

最後に、サロゲートペアを考慮すべき具体的な場面をいくつか挙げておきます。

1. 入力フォームやデータベース

ユーザーが入力したテキストに絵文字や特殊な文字を含む場合、サロゲートペアを含む可能性があります。これを正しく扱わないと、データベースに保存するときにエラーが発生することもあります。文字数制限なども、サロゲートペアを意識して設定する必要があります。

2. ファイル処理や通信

ファイルにテキストを保存する場合や、ネットワークを介して文字列を送信する場合、サロゲートペアを含むデータが正しく処理されているか注意が必要です。特にマルチバイト文字を扱うシステムでは、サロゲートペアに対応できるかどうかが重要なポイントとなります。

まとめ：サロゲートペアの理解でJavaプログラミングをさらにレベルアップ

サロゲートペアは、特殊な文字や絵文字を正しく扱うために必要な知識です。JavaではUnicodeとUTF-16を使って文字を扱っているため、サロゲートペアを理解していないと文字列操作やデータベースとのやりとりで思わぬトラブルに遭遇することがあります。

絵文字を使う場面が増えている今、サロゲートペアについての知識を持っていることは、今後の開発にも役立ちます。まずは実際にコードを書いて、どのように動作するか確認してみると良いでしょう。

投稿者プロフィール

山崎講師
山崎講師代表取締役
セイ・コンサルティング・グループ株式会社代表取締役。
岐阜県出身。
2000年創業、2004年会社設立。
IT企業向け人材育成研修歴業界歴20年以上。
すべての無駄を省いた費用対効果の高い「筋肉質」な研修を提供します！
この記事に間違い等ありましたらぜひお知らせください。
対象読者
新入社員
前の記事
ITエンジニアが在宅勤務を成功させるために
2024年10月5日
次の記事
IT企業の新入社員に向けた損益計算書の利益の種類についての解説
2024年10月6日