サロゲートペア - 闘うITエンジニアの覚え書き

　Unicodeは元々16ビットの文字コードだ。16ビットのコードを，16進数で書くと4桁になる。 
ところが16ビットしかないと，どうやっても最大6万5536字しか扱えない。 
一方，漢字は7万字も8万字も収録したいので，16進数4桁では無理になって， 
とうとう16進数5桁のところにハミ出ざるを得なくなった。

　Unicodeの方では，16進数5桁，つまり20ビットをそのままでは扱えないので， 
16ビットのコードを2つ組み合わせることで急場をしのいだ。例えば「2000B」であれば， 
実際には「D840 DC0B」という組み合わせで処理される。これが[[サロゲートペア]]だ。 
この場合には，1文字が16ビットではなく32ビットになる。

　「1文字＝16ビット」と決め打ちになってるソフトウエアは，たちどころに処理が崩壊してしまう。
Windows XPのメモ帳ですら「D840 DC0B」を2文字と認識してしまう（Deleteは大丈夫だが，BackSpaceはダメだ）し，
ほかのソフトウエアでも似たようなことが起こったりする。

（ http://itpro.nikkeibp.co.jp/article/COLUMN/20061211/256519/ より）