UTF-16 の「サロゲートペア」について

Question

Unicodeにおいて、UTF-8でも複数符号単位を使って表現する文字があるにも関わらず、UTF-16だけ2符号単位で文字を表現するときにはサロゲートペアという呼び名が付けられてるのは何故でしょうか。

Answer 1

Unicode 登場時点って、文字集合と符号化方式がイコールだったんですよ。
文字集合は16ビット。符号化方式も文字集合のコード体系と同じ。
なので最初は UTF-16 という言葉さえなかった。
例えば「あ」は U+3042。いまで言う UTF-16 でも 0x3042。同じ。

その後、全然文字数足らんじゃないかと騒動になり文字集合が 32ビットとなった。

これまでの符号化方式をなかったことにするわけにはいかない、とはいえ
16ビットでは収まらない。なので符号化方式に無理やりサロゲートペアを
追加したが、それを UTF-16と呼びましょうということにした (ここで
はじめて文字集合と符号化方式のコード体系が分かれた)。

UTF-8 や UTF-32 は 32ビット化騒動以降にできたものなので、
サロゲートペアという変なしくみはない。

ちなみに UCS-4(文字集合) と UTF-8 (符号化方式) の対応はこんな感じです。

UCS-4 (16進数)          UTF-8 (2進数)
-----------------       ---------------------------------------
00000000-0000007F	0xxxxxxx
00000080-000007FF	110xxxxx 10xxxxxx
00000800-0000FFFF	1110xxxx 10xxxxxx 10xxxxxx
00010000-001FFFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

16進数の 7 は 3bit、F は 4bit で表現できるので、
例えば UCS-4 の 000007FF は 3bit+4bit+4bit＝11bit。
対する右側 2進数の x の個数は 11個なので、11bit。

よって、UCS-4 のビットを少々移動するだけで UTF-8 になります。
これが UTF-8 にはサロゲートペアという変な仕組みはない、ということです。

以上、お詳しい方がみたら怒られそうな不正確な表現がたくさんあると思いますので、雰囲気だけお感じいただければと思います。