サロゲートペア：BMP外の文字

UTF-16のサロゲートペア

基本多言語面（BMP）にはUnicodeコードポイントU+0000からU+FFFFが含まれます。この範囲外の文字（補助面）は単一の16ビットコードユニットに収まらないため、UTF-16はサロゲートペア（2つの16ビットコードユニットの組み合わせ）としてエンコードします。

サロゲートペアの仕組み

U+1F600（😀 Grinning Face）の場合：

1. 0x10000を引く：0x1F600 - 0x10000 = 0xF600
2. 上位サロゲート：0xD800 + (0xF600 >> 10) = 0xD83D
3. 下位サロゲート：0xDC00 + (0xF600 & 0x3FF) = 0xDE00

JavaScriptは2つのコードユニットとして保存：\uD83D\uDE00

JavaScript .lengthへの影響

"😀".length          // 2  (サロゲートペア)
[..."😀"].length     // 1  (コードポイント)
"😀".codePointAt(0)  // 128512 (U+1F600)

サロゲートペアを使用する文字

カテゴリ	範囲	例
絵文字	U+1F600–U+1FAFF	😀 🚀 🍕
数学記号	U+1D400–U+1D7FF	𝐀 𝐁 𝐂
音楽記号	U+1D100–U+1D1FF	𝄞
歴史的文字	U+10000–U+1007F	𐀀
CJK拡張B+	U+20000–U+2A6FF	珍しい漢字

壊れる文字列操作

一般的な文字列操作はサロゲートペアを破壊する可能性があります：

// 間違い：サロゲートペアを分割する可能性
str.substring(0, 1)  // 上位サロゲートのみを返す可能性
str.charAt(0)        // 上位サロゲートのみを返す

// 正しい：コードポイント対応のメソッドを使用
[...str].slice(0, 1).join("")

バイトサイズ

エンコーディング	サロゲートペア文字あたりのバイト数
UTF-8	4バイト
UTF-16	4バイト（2コードユニット × 2バイト）
UTF-32	4バイト（常に）

興味深いことに、補助文字ではすべてのエンコーディングが同じ4バイトを使用します。違いはBMP文字でのみ重要です。