コードポイントとは — Unicode・UTF-8・\uXXXXの関係

コードポイントは、Unicodeがそれぞれの文字に割り当てた一意の番号です。あ なら U+3042。この番号を実際のバイト列に変換する規則が UTF-8 や UTF-16 で、両者は別の概念です。本記事ではコードポイントの意味、UTF-8で1〜4バイトになる仕組み、絵文字がサロゲートペアになる理由を、実際に確かめる方法つきで整理します。

1. コードポイントとは

Unicodeは世界中の文字に通し番号を振った巨大な文字集合です。この各文字に対応する番号がコードポイントで、慣習として U+ のあとに16進数で書きます。

• A = U+0041（10進で 65）
• あ = U+3042（10進で 12354）
• 漢 = U+6F22
• 😀 = U+1F600（10進で 128512）

ここまでは「番号を決めた」だけで、コンピュータに保存する形（バイト）はまだ決まっていません。それを担うのが符号化方式です。

2. UTF-8 — 1〜4バイトへの符号化

UTF-8は、コードポイントの大きさに応じて1〜4バイトで表す方式です。ASCIIと互換で、Webでもっとも広く使われています。

つまり「日本語1文字は3バイト」というのは、多くの文字がこの3バイト範囲に入るためです。文字数とバイト数が一致しないのはこのためで、データベースの桁数設計などで意識する必要があります。

3. UTF-16 と \uXXXX

UTF-16は16ビット（2バイト）単位で表す方式で、JavaScriptの文字列が内部で採用しています。U+FFFF以下は1単位、それを超える文字はサロゲートペアという2単位で表します。ソースコードやJSON文字列でよく見る \uXXXX は、このUTF-16の1単位を16進で書いたものです。

• あ（U+3042）→ あ（1単位）
• 😀（U+1F600）→ 😀（上位・下位の2単位）

4. 絵文字がサロゲートペアになる理由

UTF-16は元々16ビットで表せる範囲（U+FFFFまで）しか想定していませんでした。それを超える文字を表すため、予約された範囲（D800〜DFFF）の2単位を組み合わせて1つのコードポイントを表す仕組みがサロゲートペアです。😀 は上位 D83D・下位 DE00 のペアで表されます。

この結果、JavaScriptの "😀".length は 2 になります。コードポイントは1つでも、UTF-16単位では2つだからです。

5. 実際に試せる方法（JavaScript）

コンソールやNode.jsで、コードポイント・UTF-8バイト・UTF-16単位をそれぞれ確認できます。

const ch = "😀";

// コードポイント（U+）
console.log(ch.codePointAt(0).toString(16).toUpperCase()); // 1F600

// UTF-8 バイト列
console.log([...new TextEncoder().encode(ch)]
  .map(b => b.toString(16).toUpperCase())); // ["F0","9F","98","80"]

// UTF-16 単位（\uXXXX）
console.log(ch.length);        // 2（サロゲートペア）
console.log([...ch].length);   // 1（コードポイント単位で数える）

複数の文字をまとめて表で確認したいときは、下記のコードポイント確認ツールに文字を貼り付けてください。1文字ごとに U+・10進・UTF-8・UTF-16 を一覧表示します。