UTF-32(ユーティーエフさんじゅうに)とは | 意味や読み方など丁寧でわかりやすい用語解説

UTF-32とは、コンピュータで文字を扱うための国際的な文字コードであるUnicodeの符号化方式の一つである。その最大の特徴は、Unicodeで定義される全ての文字を、常に固定の4バイト（32ビット）で表現する点にある。これは、多様な文字を扱う際に、どの文字も同じ長さで扱えるという単純さをもたらす反面、データ量が増大するという特性も持つ。

Unicodeは、世界中のあらゆる文字を一意の番号（符号点と呼ぶ）で識別するための文字集合と、それらの符号点をコンピュータ上で処理できるバイト列に変換するための符号化方式から構成される。UTF-32は、その符号化方式の一つであり、Unicodeの符号点U+0000からU+10FFFFまでの範囲を、それぞれ直接4バイトの整数として表現する。例えば、半角アルファベットの「A」であっても、日本語の「あ」であっても、絵文字の「😀」であっても、コンピュータのメモリ上では常に4バイトを占める。

この固定長であるという性質は、いくつかの明確な利点と欠点をもたらす。利点としては、文字列処理が非常にシンプルになる点が挙げられる。文字数とバイト数が常に一致するため、文字列の長さを取得したり、n番目の文字に直接アクセスしたり、部分文字列を切り出したりする操作が、バイト列の複雑な解析を必要とせずに高速に実行できる。例えば、UTF-8のように文字によってバイト数が異なる可変長エンコーディングでは、n番目の文字を探すには先頭から順番にバイト列を解析していく必要があるが、UTF-32では単に「n * 4バイト」の位置にアクセスすればよい。これにより、ランダムアクセスが容易になり、特定の文字へのポインタ演算なども直感的に行えるため、多くのアプリケーションの内部処理において、特にパフォーマンスが重視される場面や、文字列操作のロジックを簡潔に保ちたい場合に有効である。

しかし、その一方で、データサイズの増大という重大な欠点がある。特に、多くの文字が1バイトや2バイトで表現可能なASCII文字やラテン文字で構成されるテキストデータでは、UTF-8やUTF-16といった可変長・半可変長エンコーディングと比較して、UTF-32はファイルサイズやメモリ使用量が大幅に大きくなる。例えば、ASCII文字はUTF-8では1バイトで表現できるが、UTF-32では4バイトを消費する。このため、ディスクストレージの消費、ネットワーク帯域の消費が増大し、外部とのデータ交換やファイル保存といった用途にはほとんど用いられない。Webページやメールの送受信、ファイルのエンコーディングなど、データ効率が重視される場面ではUTF-8が広く普及している。

また、4バイトのデータであるため、そのバイトの並び順（エンディアン）を考慮する必要がある。コンピュータのアーキテクチャによっては、多バイトのデータをメモリに格納する際に、最上位バイトから順に格納するビッグエンディアン（Big Endian）方式と、最下位バイトから順に格納するリトルエンディアン（Little Endian）方式があるため、UTF-32を使用する際は、どちらのエンディアンで表現されているかを明示する必要がある。これを示すために、UTF-32BE（ビッグエンディアン）やUTF-32LE（リトルエンディアン）という表記が用いられる。また、ファイルの先頭にBOM（Byte Order Mark）と呼ばれる特定のバイト列を付加することで、エンディアン情報を明示することも一般的である。BOM自体も、UnicodeのU+FEFFという符号点を持つ文字をUTF-32で表現したものである。

このような特性から、UTF-32は主にアプリケーションの内部処理、特に文字列の高速な操作や、文字数とバイト数が常に一致することを利用したシンプルなロジックを必要とする場面で採用されることが多い。例えば、一部のプログラミング言語のランタイムや、テキストエディタの内部処理などで、一度読み込んだテキストデータをUTF-32形式に変換し、メモリ上で効率的な文字列操作を行うために利用されることがある。しかし、データの永続化やネットワークを介した通信においては、データ効率の観点からUTF-8が圧倒的に主流であり、UTF-32が直接外部に出ることは稀である。したがって、UTF-32は、そのシンプルさと引き換えにデータサイズの増大を許容し、特定の内部処理のニーズに応えるための符号化方式として理解されるべきである。