JavaScriptにおけるUnicode文字列の扱い方

このページでは、JavaScriptにおけるUnicode文字列の扱い方について詳しく解説します。Unicodeは、世界中の文字や記号を一意に表現するための国際標準であり、JavaScriptでも文字列操作を行う際に重要な知識となります。

Unicodeとは？

Unicodeは、すべての文字を一意に識別するための標準規格です。各文字には一意の「コードポイント」が割り当てられています。このコードポイントは16進数で表され、U+0000からU+10FFFFまでの範囲に対応します。

例：

• 「A」のコードポイント: U+0041
• 「あ」のコードポイント: U+3042
• 絵文字「😊」のコードポイント: U+1F60A

Unicodeエスケープシーケンス

JavaScriptでは、Unicode文字を直接使用するだけでなく、エスケープシーケンスを使って指定することもできます。次のような形式が用いられます：

• \uXXXX: 16ビットコードポイント（BMP範囲）
• \u{XXXXX}: サロゲートペアや補助文字も含めたコードポイント

例：

• \u0041: 「A」を表します。
• \u{1F60A}: 絵文字「😊」を表します。

サロゲートペアと補助文字

16ビット（BMP）範囲外の文字（コードポイントU+10000以上）は、「サロゲートペア」という2つの16ビット値で表現されます。

例：

• 「😊」はコードポイントU+1F60Aですが、サロゲートペアでは\uD83D\uDE0Aとして表現されます。

文字列操作でサロゲートペアを正しく扱うには注意が必要です。例えば、lengthプロパティはサロゲートペアを2文字としてカウントします：

const str = "😊";
console.log(str.length); // 出力: 2

文字列操作でのUnicodeの考慮

JavaScriptで文字列を操作する際、Unicode文字を正しく扱うためには注意が必要です。特に、サロゲートペアや補助文字に対応するには、Stringメソッドやfor...ofループを活用するのが有効です。

例：

• String.fromCodePoint(): コードポイントから文字を生成
• codePointAt(): コードポイントを取得

// 文字を生成
const smiley = String.fromCodePoint(0x1F60A);
console.log(smiley); // 出力: 😊

// コードポイントを取得
const codePoint = smiley.codePointAt(0);
console.log(codePoint.toString(16)); // 出力: 1f60a

正規化（Normalization）

Unicodeでは、同じ文字が複数の表現方法を持つ場合があります。例えば、「é」は単一文字U+00E9として表現できるだけでなく、e（U+0065）に合成文字´（U+0301）を組み合わせて表現することもできます。

これを統一するために、String.prototype.normalize()メソッドを使用します。

const char1 = "\u00E9"; // 単一文字
const char2 = "\u0065\u0301"; // 合成文字
console.log(char1 === char2); // 出力: false

// 正規化して比較
console.log(char1.normalize() === char2.normalize()); // 出力: true

絵文字の扱い

絵文字は多くの場合サロゲートペアで表されるため、標準的な文字列操作では正しく処理できないことがあります。例えば、絵文字を1文字単位で操作するには[...str]スプレッド構文を使用するのが簡単です。

const text = "😊👍";
console.log([...text]); // 出力: ["😊", "👍"]

実用的な例

ここでは、Unicode文字列を扱う際に役立つ実用的な例をいくつか紹介します。

例: 特定のUnicode文字をフィルタリング

const text = "Hello 😊👍 World!";
const filtered = [...text].filter(char => char.codePointAt(0) > 0xFFFF);
console.log(filtered); // 出力: ["😊", "👍"]

例: Unicodeエスケープ文字列への変換

const text = "こんにちは";
const escaped = [...text].map(char => "\\u{" + char.codePointAt(0).toString(16) + "}");
console.log(escaped.join("")); // 出力: \u{3053}\u{3093}\u{306b}\u{3061}\u{306f}

まとめ

JavaScriptにおけるUnicode文字列の扱いは、サロゲートペアや補助文字、正規化といったポイントを押さえることで、正確かつ効率的に操作できます。特に絵文字や多言語対応のアプリケーションを開発する際に、これらの知識は非常に役立ちます。