1. Scalapedia トップ
2. 文字列処理
3. 特定の文字の文字コード（コード・ポイント）を取得する

[AD] scalapediaでは記事作成ボランティアを募集しています

この記事では、特定の文字の文字コード（コード・ポイント）を取得する方法について解説します。

文字がサロゲートペアかどうかで対応を変える

Javaにおける特定の文字の文字コードは、コード・ポイントと呼びます（つまり、Scalaでもそう呼びます）。

文字のコード・ポイントを取得する方法には、以下の二つがあります。

1. String#codePointAtを使用する方法
2. Char#toIntを使用する方法

通常の場合、つまり文字が「サロゲートペア」かもしれない場合には、 1. のString#codePointAtを使用します（※サロゲートペアについては後ほど説明します）。

文字がサロゲートペアではないことが保証されている場合には、 2. のChar#toIntを使用する方法で取得しても構いません。

サンプルとして以下の文字を用意しました。
どちらも「よし」ですが、ひとつめは一般的な「よし」、ふたつめはいわゆる「つちよし」です。
つちよしはサロゲートペアです。

これらの文字のコード・ポイントを取得してみましょう。

val character = "吉"
val surrogateCharacter = "𠮷"

通常の場合は codePointAt​ メソッドを使う

通常の場合、つまり文字がサロゲートペアかもしれない場合にはString#codePointAtメソッドを使用しましょう。

java
public int codePointAt​(int index)

codePointAtメソッドは、指定したインデックスに位置する文字のコード・ポイントを返します。

codePointAtメソッドを使用したサンプルコードはこちらです。

println(
  character.codePointAt(0)
)
println(
  surrogateCharacter.codePointAt(0)
)

コード・ポイントを調べたい文字はいずれも文字列の1文字目なので、インデックスには0を指定しています。

実行結果は以下のようになります。

21513
134071

「よし」のコード・ポイント21513、「つちよし」のコード・ポイント134071が出力されました。

もしインデックスに指定した数値が文字列のインデックスのとりうる範囲を逸脱する場合、つまり負の数や文字列の長さ以上の値を指定した場合には、java.lang.IndexOutOfBoundsExceptionが投げられます。
範囲を逸脱しないよう注意してください。

サロゲートペアは Char 2個でString 1文字を表すイレギュラーな文字

ここで、後回しにしていた「サロゲートペア」についての説明をします。

そもそもサロゲートペアとは何でしょうか？

Javaの文字列の内部表現はUTF-16です。

サロゲートペアとは、UTF-16において「2文字分のデータ量で1文字を表す」ような文字のことをいいます。

UTF-16は、当初16ビットで1文字を表すこととしていました。
しかし16ビットで表現できる文字の数よりも表現したい文字の方が多かったため、この16ビットに入りきらなかった文字に関しては、2文字分の32ビットで表せるよう仕様が拡張されました。

この入りきらなかった文字こそがサロゲートペアです。

Javaにおいては、サロゲートペアはChar2個でString1文字を表すイレギュラーな文字として存在しています。

なぜサロゲートペアに注意しないといけないの？

とはいえ、内部表現の話がなぜ表に出てくるのか不思議に思う方もいると思います。

実はJavaの文字列の内部表現（Charの中身）は拡張前のUTF-16なのです。

つまりCharには16ビット、1文字分のデータしか入っていません。

1文字分のデータしか持っていないCharを使って拡張後のUTF-16に対応するための機能が別途用意されたわけです。

そして、その機能の一つがcodePointAtである、というわけです。

Javaでサロゲートペアの話が出るのはこういう理由があったわけです。

サロゲートペアを含まない場合は head​ toInt メソッドを組み合わせることもできる

さて、Javaの文字はそんな複雑な事情を抱えているのですが、サロゲートペアを含まない場合にはもう少し簡便にコード・ポイントを調べる方法があります。

まずStringをCharに変換し、これをChar#toIntメソッドでChar内部のコード・ポイントを直接取得する方法です。

サンプルコードはこちらです。

println(
  character.head.toInt
)
println(
  surrogateCharacter.head.toInt
)

Stringの1文字目はheadメソッドで取得することができます。

戻り値はCharなので、toIntメソッドを使用すればコード・ポイントが取得できます。

実行結果は以下のようになります。

21513
55362

「よし」については、サロゲートペアではないので正しく取得できています。

「つちよし」はサロゲートペアなので、codePointAtメソッドの実行結果とは異なる値が出力されています。

これは2文字分のデータのうち、前方の1文字分である「上位サロゲート」が取得されてしまったためです。

この値はほんとうに「つちよし」ではないのでしょうか？調べてみましょう。

println(
  surrogateCharacter.head.toString
)

Char#toStringメソッドを使用すると、そのコード・ポイントが実際に表す文字を取得することができます。

出力は以下のようになります。

?

?が出力されました。
つちよしの上位サロゲート55362に対応する文字が存在しないため、文字化けしてしまったということです。

サロゲートペアに対してはこの手法を使わないよう十分ご注意ください。

まとめ

基本的には、とくにサロゲートペアを含む場合には codePointAt メソッドを使いましょう。

もしサロゲートペアを含まないことが保証されている場合には、headメソッドとtoIntメソッドを組み合わせることで同様の処理をすることができます。

備考：文字列を他の特定の文字セットに変換するには

「文字コード」と表記するとどうしてもASCIIやShift-JISやANSIなどを思い浮かべることが多いと思います。
Javaにおいてそれらは「文字セット」と呼んで区別されています。

また、Javaの文字列Stringや文字シーケンスCharSequence、文字Charなどの「文字コード」、すなわち内部表現に用いられる文字セットはUTF-16で固定されています。

文字列を他の特定の文字セットに変換したい場合は、以下の記事をご覧ください。