.NETでのUnicode合成文字の処理について調べた

Unicodeでは，複数の文字から1つの文字を合成する仕組みがある。例えば，ヨーロッパの言語で使われているアクセント付きのアルファベットを表現するのに使われる。日本語の濁点/半濁点付きのカタカナ/ひらがなにも，この仕組みがある。例えば，「ぱ」という文字は，「ぱ」（キャラクタ・コードはUTF16で3071）という2バイトの文字と，「は」（同306F）と文字合成用半濁点「゜」（同309A）を組み合わせた4バイト文字の，2種類が存在する。そのため，濁点/半濁点付きの文字を検索する場合，2バイトの単独文字と4バイトの合成文字の両方を検索する必要が出てくるなど，文字列処理が多少面倒になる可能性がある。今回はこの合成文字について，.NETでの処理を調べた。 最初に断っておくが，キーボードからは文字合成用の「゜」（キャラクタ・コードは309A）は入力できない。入力できるのは，キャラクタ・コードが309C

[Rinta]

「.NETのStringクラスは、単独文字の「ぱ」に対してはLengthプロパティに1、合成文字の「ぱ」に対しては2を返す。」昨日懇親会で教えてもらったけど、これはハマる日がいつかやってくるな。覚えておこう。

[y0sh1kaw]

合成文字の理解を深めて、utf8-macの正しい取り扱い方を学びたい。

[maple_magician]

合成文字の関係……日本でもついに「サロゲートペア」の悪夢が現実の脅威となる日が来たのかもしれない。

[nilab]

.NETでのUnicode合成文字の処理について調べた：ITpro

[miabi]

String.Lengthプロパティからは，文字数が得られるのではなく，UTF16エンコーディング時のワード数が得られる

[hirose31]

合成文字 combining characters

[wacky]

Unicodeを処理するプログラムで気をつけること。複数の文字から1つの文字を合成する「合成文字」の扱い。