VB.NETでのサロゲートペア文字の取り扱い

文字のチェック処理を扱う必要が出てきたのでテストデータを作っているのですが、サロゲートペアがどのように扱われるかについて勘違いしていました。

たとえば、U+29E3D、「ほっけ（魚＋花）」という文字ですが、これはプログラム中では以下のように取り扱われるようです。

• Lengthプロパティは2（2文字扱い）
• shift_jisに変換すると「??」（1バイト?が2つ）
• 見た目は1文字

文字数とかの確認でこういう文字を扱うときは注意が必要ですね。上記のようにshift_jis変換してバイト数を数えると2バイトになるのも要注意です（4バイトかと思ってた）。

参考

ユニコード文字列のバイト数を数える（shift_jis変換後のバイト数）。

'カウント対象文字がinputString変数に入っていると想定
byteLength = System.Text.Encoding.GetEncoding("shift_jis").GetByteCount(inputString)

ユニコードの番号指定で文字を文字列変数に入れる。この場合、上記の「ほっけ」は

'ホッケという文字を出す場合
target = System.Convert.ToString(Char.ConvertFromUtf32(
　　　　System.Convert.ToInt32("29E3D", 16)))

プログラマのための文字コード技術入門 (WEB+DB PRESS plus) (WEB+DB PRESS plusシリーズ)