サロゲート（Surrogates）

D800〜E000の領域をサロゲートと呼び，連続する2つの2バイトコードをあわせて1文字を表現することにしている（1文字2バイトのルールがくずれている）． この2つの2バイトコードのことを“サロゲート ペア”と呼び，前半2バイトを上位サロゲート（High Surrogates），後半2バイトを下位サロゲート（Low Surrogates）と呼ぶ． サロゲート領域は下の図のように2分割されていて， 低位側半分が上位サロゲート，高位側の残り半分が下位サロゲート用に割り当てられている． いずれも1024個ずつのコードが割りあたっているので，表現できる文字数は最大1024×1024＝1M（約100万）文字となる．

上位サロゲートのための領域には128個ぶんだけ，ユーザ定義文字用の領域である上位私用サロゲート（High Private Surrogates）が用意されている． ユニコードにはもともとE000〜F800の範囲に6144文字分の“私用領域”（Private Use Area）が設けられているけども， それでは足りないという人がいるみたいで，サロゲート領域でも私用領域を128×1024＝約13万文字分追加している．

サロゲートペアのコーディング方法

サロゲートペアをつかってあらわそうとする文字が， (0)第ppppp面の第rrrrrrrr区，第cccccccc点にある文字だとする． サロゲートペアであらわす領域は面01〜10Hで，面00ではないことがわかってるので， (1)ppppp-1→qqqqとして1ビット節約する． 次に，(2)この4＋8＋8＝20ビットのビット列を10ビットずつにわける． (3)10ビットずつに分離したビット列の上位6ビットに それぞれ上位サロゲートと下位サロゲートの開始位置の値を足す． 具体的には，上位サロゲートにはD800，下位サロゲートにはDC00を加える． 下の流れを見るとわかるけど，(2)までにつくった10ビット×2個のビット列は， D800およびDC00の0でないビット部分と重ならないため，加えるといってもビットORをとるだけでOK． 逆に言えばサロゲートペア表現からUnicodeスカラ値にもどすときにも上位6ビットをマスクするANDでOK．

(0) Original Scalar Value
    Plane       Row        Cell
    <---->   <------->   <------->
    p pppp | rrrr rrrr | cccc cccc    5 + 8 + 8 bits

(1) Reduce one bit by qqqq = ppppp - 1
      qqqq | rrrr rrrr | cccc cccc    4 + 8 + 8 bits

(2) Divide bits into two 10-bit sequences
      qq qqrr rrrr | rr cccc cccc     10 + 10 bits

(3) Shift them to the surrogate area
     (   D    8    0    0      D    C    0    0   Hexadecimal Form)
      1101 1000 0000 0000   1101 1100 0000 0000   Binary Form
  　+ 　　　 qq qqrr rrrr          rr cccc cccc
    -------------------------------------------
      1101 10qq qqrr rrrr   1101 11rr cccc cccc

UTF-16

サロゲートペアを使わない場合，2バイト（16ビット）のコードであらわせる文字数は最大65535文字． サロゲートペアを使ってBMP（面00）＋面01〜面10Hを表せるようにしたエンコーディング スキームがUTF-16．