メールや掲示板等の文章を見ていると時々「🗿」のような絵文字が出てきますが、これはUnicodeにより定義されています。
このような絵文字を取り扱うには少々知識が必要なので、この記事を通して必要な知識をお伝えしたいと思います。
また、絵文字を含む文字列を１文字ずつ切り出すjavaのサンプルコードも作りました。
【絵文字の定義と背景】
絵文字は符号化文字集合「Unicode」で定義されており、Unicodeの文字符号化方式である「UTF-8」「UTF-16」等で使用することができる。
（「符号化文字集合」とは「文字」と「文字に割り当てた番号」の対応表、「文字符号化方式」とは「文字に割り当てた番号」と「実際にコンピュータが扱う数字」の対応表のことである）
なお、「UTF-16」は狭義の「Unicode」として呼ばれることもある。
Unicodeは元々1～2バイト文字を定義していたが、世界中の文字を取り扱いたいという要望に応えるために4バイト文字を拡張領域として定義した。
絵文字は、この拡張領域に含まれる。
4バイト文字は、「上位サロゲート(2バイト)＋下位サロゲート(2文字)」の組み合わせで定義される。
「上位サロゲート」は0xD800～0xDBFF（1024通り）、「下位サロゲート」は0xDC00～0xDFFF（1024通り）で定義され、何れも2バイト文字では使用しないコードであるため、表現が衝突することはない。
4バイト文字は定義当時は実際に扱われることが少なかったが、日本の携帯の絵文字の普及により一般的に使われるようになり、Webシステム等では無視できない存在となった。
【サンプルコード】
・ソースコード（UTF-8で作成）
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 |
public class Sample { public static void main(String args[]){ // 変数で直接４バイト文字込みの文字列を定義し表示 String str = "🚅Unicode🌏絵文字で遊んでみよう😮"; System.out.println("変数から取得："+str); // 何も考えず１文字ごと文字と文字コードを出力 // ４バイト文字は２文字扱い for (int i = 0; i < str.length() ; i++) { int code = (int)str.charAt(i); String hex = Integer.toHexString(code); System.out.println ((i + 1) + "番目の文字：" + str.charAt(i) + " 16進数：" + hex); } // サロゲート文字で４バイト文字を判定 // 正しく１文字ずつ切り出す String upperSurStart = "d800"; String upperSurEnd = "dbff"; int fourByteMojiCount = 0; for (int i = 0; i < str.length() ; i++) { int mojiPos = i+1-fourByteMojiCount; int code = (int)str.charAt(i); String hex = Integer.toHexString(code); String strOneMoji = ""; if (hex.compareTo(upperSurStart)>=0 && hex.compareTo(upperSurEnd)<=0) { strOneMoji = str.substring(i,i+2); i++; fourByteMojiCount++; } else { strOneMoji = str.substring(i,i+1); } System.out.println(mojiPos + "番目の文字：" + strOneMoji); } } } |
・出力
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 |
変数から取得：🚅Unicode🌏絵文字で遊んでみよう😮 1番目の文字：? 16進数：d83d 2番目の文字：? 16進数：de85 3番目の文字：U 16進数：55 4番目の文字：n 16進数：6e 5番目の文字：i 16進数：69 6番目の文字：c 16進数：63 7番目の文字：o 16進数：6f 8番目の文字：d 16進数：64 9番目の文字：e 16進数：65 10番目の文字：? 16進数：d83c 11番目の文字：? 16進数：df0f 12番目の文字：絵 16進数：7d75 13番目の文字：文 16進数：6587 14番目の文字：字 16進数：5b57 15番目の文字：で 16進数：3067 16番目の文字：遊 16進数：904a 17番目の文字：ん 16進数：3093 18番目の文字：で 16進数：3067 19番目の文字：み 16進数：307f 20番目の文字：よ 16進数：3088 21番目の文字：う 16進数：3046 22番目の文字：? 16進数：d83d 23番目の文字：? 16進数：de2e 1番目の文字：🚅 2番目の文字：U 3番目の文字：n 4番目の文字：i 5番目の文字：c 6番目の文字：o 7番目の文字：d 8番目の文字：e 9番目の文字：🌏 10番目の文字：絵 11番目の文字：文 12番目の文字：字 13番目の文字：で 14番目の文字：遊 15番目の文字：ん 16番目の文字：で 17番目の文字：み 18番目の文字：よ 19番目の文字：う 20番目の文字：😮 |
文字の16進数表現は奥深いです。
先日公開したゾーン10進数・パック10進数もそうですが、文字が16進数でどのように表現されているのかを意識しないとコーディングに支障をきたすこともあります。
新人の時は16進数をあまり意識しておらず、エラーが出てもその理由がわからなかったりして色々苦労しました…。
今後も、文字の16進数表現でお伝えできることがあれば、記事にしていきたいと思います！