サロゲートペア (Unicode)

[10] サロゲートペア (surrogate pair) は、 UTF-16 で2つの16ビット符号単位を組み合わせて1つのUnicode符号位置を表すものです。

[11] サロゲートペアで使う16ビット符号単位に相当する符号位置は、 (符号化方式に関わらず) 使わないことになっています。

仕様書

[27] サロゲート領域 (surrogates area) の符号点 U+D800 - U+DFFF は、 UTF-16 で U+10000 - U+10FFFF を記述するために2つ1組で使う16ビット符号単位、サロゲート (surrogate) です。 >>26 サロゲート符号点は、サロゲート符号単位として使われるためだけに割当られたものであり、サロゲート符号単位はサロゲートペアにのみ使います >>49。

[28] 高 (こう) サロゲート符号点 (ふごうてん) (high-surrogate code point) U+D800 - U+DBFF の1024個のUnicode符号点 >>49 D71, >>26 (高 (こう) サロゲート符号単位 (ふごうたんい) (high-surrogate code unit) は 16ビット符号単位 [ 0xD800, 0xDBFF ] >>49 D72) は、サロゲートペアの先導符号単位に使います。 >>49 D72, >>26
- [31] private-use high-surrogate code points U+DB80 - U+DFFF >>26 は、 PUP のサロゲートペアの1つ目に使います。
[29] 低 (てい) サロゲート符号点 (ふごうてん) (low-surrogate code point) U+DC00 - U+DFFF の1024個の符号位置 >>49 D73, >>26 (低 (てい) サロゲート符号単位 (ふごうたんい) (low-surrogate code unit) は 16ビット符号単位 [ 0xDC00, 0xDFFF ] >>49 D74) は、サロゲートペアの後続符号単位に使います。 >>49 D74, >>26

[35] Unicode のブロック名としての High Surrogates は、 High Private Use Surrogates と重ならない U+DB7F までに限定されています。

[50] サロゲートの組のことをサロゲートペア (surrogate pair) といいます。 >>26 サロゲートペアは、 2つの16ビット符号単位で構成される、単一の抽象文字の表現です。サロゲートペアでは、 1つ目の符号単位 (leading surrogate) は高サロゲート符号単位、 2つ目の符号単位 (trailing surrogate) は低サロゲート符号単位とします。 >>49 D75

[51] サロゲートペアは、 UTF-16 でのみ用います。 >>49 D75

[36] サロゲートは、 UTF-16 の特殊な用途のためのみに使うこととされています。 UTF-16 以外でも、サロゲートの符号位置を使うことはできません。

[52] 孤立 (isolated) サロゲート符号点は、それ自体の解釈を持ちません。 >>49 D75

[38] ただし UTF-16 による文字列の実装の中には、サロゲートペアになっていないサロゲートの出現を認めるものも少なくありません。それ以外の UTF-8 などによる文字列の実装の中には、サロゲートの出現を認めるものが多いです。こうしたものはサロゲートペアとして1つの文字を表すのではなく、不正な符号位置とみなされます。

[39] そうした不正なサロゲートを含んだ文字列を扱えない実装もあり、相互運用性の問題やセキュリティーの問題につながることもありますから、要注意です。

[40] 不正なサロゲートを含んだ文字列を UTF-16 として出力すると、不正なサロゲートが正当なサロゲートペアと解釈されてしまうことがあります。相互運用性の問題やセキュリティーの問題につながることもありますから、要注意です。

[42] 文字列に対する操作を扱うプロトコルや演算の仕様書は、入力に不正なサロゲートが含まれないことを暗黙に仮定していることがあります。不正なサロゲートを認める実装は、適宜例外処理を入れる必要があります。

[59] Python はsurrogateescapeと称してバイトを表すために流用しています。