Java の文字型 (char)

Java の char は文字を表すプリミティブ・データタイプ

Java ではオブジェクトではない基本的なデータ型がいくつかあります。これを、プリミティブデータタイプ (primitive data types) といいます。

char は文字を表すプリミティブデータタイプであり、16ビットの整数型です。

データ型	意味	既定値
char	16ビットの符号なし整数 0 から 65,535 までを表します。	\u0000

同じ整数型のデータ型でも、数値を表すデータ型については「Java の整数型 (byte, short, int, long)」をみてください。

char 型の場合も数値の場合と同様に、 0 が既定値になります。

初期化のルールも数値の場合と同様に、ローカル変数の場合は変数を使う前に初期化が必須です。クラスのフィールドの場合は、明示的に初期化していない場合は既定値が使われます。

Java の文字型 (char) では、文字を Unicode として扱います。

Java の char 型は 2 バイト (16ビット) のデータ型です。しかし、Unicode の文字のコードポイント (符号位置) は U+0000 から U+10FFFF に割り当てられています。このため、必ずしも 2 バイトだけでは 1 文字を表すことができません。

2 バイトの文字型で文字を扱うために、Java ではエンコーディングルールとして UTF-16 を用います。

UTF-16 では 1 文字を 2 バイトまたは 4 バイトのいずれかで表します。このため、 U+0000 から U+10FFFF という広い範囲を扱うことができる上に、「1 文字が 2 バイトか 4 バイト」であるので、2 バイトのデータ型である char でキリが良い形で使うことができます。

ひとことで言うと、BMP (基本多言語面) の文字を 2 バイトで表し、SMP (補助多言語面) をサロゲートペアの 4 バイトで表すということになります。

Unicode を UTF-16 でエンコーディング (符号化) するということは、どういうことか簡単に説明します。

Unicode でコードポイントが U+0000 から U+FFFF である範囲の文字は、Unicode のコードポイントそのものが UTF-16 の文字コードとして使われます。

例えば、文字 A の Unicode のコードポイントは U+0041 です。従って UTF-16 では 0x0041 と符号化されます。

符号は 2 バイトなので、Java の char 型のデータひとつで 1 文字になります。

Unicode のコードポイントが U+10000 から U+10FFFF の文字は、下記の手順で 4 バイトに符号化します。

符号化の方法を具体例で説明します。次の Emoji の Unicode コードポイントは U+1F923 です。これを UTF-16 エンコーディングしてみましょう。

このように計算することで、Unicode のコードポイント U+1F923 が UTF-16 における符号 0xD83E 0xDD23 となります。

この符号化の上位2バイト (この例では0xD83E)、下位2バイト(この例では 0xDD23) をそれぞれ、ハイサロゲート、ローサロゲートといいます。

Java のコードで動作を確認しましょう。

次のように char 型の変数に文字コードとして 0x0041 をセットすると、確かに A として認識されます。

  char ch = 0x0041;
  System.out.println(ch); // A

上で見たように Unicode コードポイント U+1F923 は UTF-16 で 0xD83E 0xDD23 になります。

次の例のように char の配列を用いて 2 個の char データに 4 バイト分の文字コードを書き込むことで、ひとつの Emoji U+1F923 を表現することができます。

  char[] a = new char[2];
  a[0] = 0xD83E;
  a[1] = 0xDD23;
  String s = new String(a);
  System.out.println(s);

実行結果は次の通りです。

逆に文字列に Emoji ひとつを文字列に書くと文字の長さは 2 と認識されます。

先頭の char、次の char を取り出して 16 進数で出力すると確かに D83E と DD23 として認識されていることがわかります。