書籍概要

WEB+DB PRESS plus

プログラマのための文字コード技術入門

著者
発売日
更新日

概要

より深く知り,すぐ試し,上手に実装したい。プロの道を進む方々にお届けしたい「ベーシック」,WEB+DB PRESS plusシリーズ「技術入門」の第1弾です。

コンピュータにおいてテキストデータを扱う上で欠かせない文字コード。文字と符号(ビット組み合わせ)で形作られる文字コードの基本的な性質はシンプルです。しかし,文字コード,とりわけ日本語情報処理となると,数々の落とし穴が潜む,ときに専門的な知識が求められる,そのような難易度の高いイメージが漂うのはなぜでしょうか。その背景を探ると,文字コードとは切っても切り離せない「文字という存在,そのものの難しさ」「規格を含む過去の経緯の積み重ね」の影響が浮かび上がってきます。

本書では,文字そのものと,文字コードの歴史を少しずつ解きほぐしながら,文字コードの原則,変遷,おもな規格の要点をはじめとした基礎知識を丁寧に解説。さらに,Unicode,日本の文字コード規格,文字化けのメカニズム,コード変換の基礎,Java,Ruby 1.8/1.9での扱い,はまりやすい落とし穴とその対処など,広くソフトウェアエンジニアの方々,プログラマの方々へ,今知っておきたい技術情報を厳選してお届けします。

※EPUB版については最新のMac OS XおよびiOSでのiBooksにて閲覧確認をしております。

こんな方におすすめ

  • ソフトウェアエンジニアの方々
  • 日本語情報処理を扱うアプリケーションの開発者の方々
  • データフォーマットの設計にかかわる開発者の方々

本書籍に関するお知らせ

目次

第1章 文字とコンピュータ

1.1 コンピュータで文字を扱う基本

  • 文字コードとフォント
  • 図形を交換するのでなく,符号を交換する
  • 文字の形の細部は伝わらない

1.2 文字を符号化するということ

  • コンピュータで情報を扱う基礎
  • 文字を符号化する例

1.3 文字集合と符号化文字集合

  • 何文字必要か
  • 文字の集合
  • 文字の集合に符号を振る
    • 符号化文字集合とは
    • 実用的な符号化文字集合の例
    • 一意な符号化 ――文字コードの原則
  • 符号化文字集合を実装するとは
    • 文字化け
    • 外部コードと内部コード
  • 規格における定義 ――符号化文字集合,符号

1.4 制御文字 ――文字ではない文字

  • 文字コードにあるのは文字だけではない
  • おもな制御文字

1.5 文字コードはなぜ複雑になるのか

  • 文字コードを複雑化させる二つの理由
    • 過去の経緯の積み重ね
    • 文字そのものの難しさ
    • 文字コードの複雑さを理解するために

1.6 まとめ

第2章 文字コードの変遷

2.1 最もシンプルな文字コード ――ASCII,ISO/IEC 646

  • 7ビットの1バイトコードで文字を表すASCII
  • ASCIIの各国用の変種 ――各国語版ISO/IEC 646
    • ISO/IEC 646とJIS X 0201

2.2 文字コードの構造と拡張方法を定める ――ISO/IEC 2022

  • ISO/IEC 2022の登場 ――8ビットコード,2バイトコード
  • ASCIIを拡張する
  • 8ビットの使用 ――ISO/IEC 2022の枠組み,CL/GL,CR/GR
    • 符号化文字集合の呼び出しの概念
  • 複数バイト文字集合
  • 符号化文字集合の組み合わせ・切り替え
    • ISO/IEC 2022とエスケープシーケンス
    • ISO/IEC 2022と符号化方式

2.3 2バイト符号化文字集合の実用化 ――JIS X 0208,各種符号化方式

  • JIS X 0208 ――漢字を扱う
  • 各種「符号化方式」の成立
    • 1バイトコードに2バイトコードを組み合わせたい
    • Shift_JISやEUC-JP,ISO-2022-JPの登場
  • 東アジアでの普及

2.4 1バイト符号化文字集合の広がり ――ISO/IEC 8859,Latin-1

  • ヨーロッパ各地域向けの文字コード
    • ISO/IEC 8859,ISO/IEC 8859-1,Latin-1
    • 1バイト文字集合の乱立

2.5 国際符号化文字集合の模索と成立 ――Unicode,ISO/IEC 10646

  • 世界中の文字を一つの表に収める
    • ISO/IEC 10646とUnicodeの誕生と統合
  • Unicodeの拡張と各種符号化方式の成立 ――UTF-16,UTF-8
  • 国際符号化文字集合の現状

2.6 まとめ

  • Column 字形と字体

第3章 代表的な符号化文字集合

3.1 ASCIIとISO/IEC 646 ――最も基本的な1バイト文字集合

  • ASCIIとISO/IEC 646国際基準版
  • 各国版のISO/IEC 646

3.2 JIS X 0201 ――ラテン文字と片仮名の1バイト文字集合

  • JIS X 0201の概要
    • ラテン文字集合
    • JIS X 0201の片仮名集合,濁点・半濁点
  • ASCIIとの違い ――円記号とバックスラッシュ,オーバーラインとチルダ

3.3 JIS X 0208 ――日本の最も基本的な2バイト文字集合

  • JIS X 0208の概要 ――ISO/IEC 2022準拠
    • 符号の構造 ――2バイトのビット組み合わせ
  • 文字集合の特徴
    • 記号類
    • ギリシャ文字
    • キリル文字
    • ラテン文字
    • 平仮名・片仮名
    • 漢字 ――第1水準,第2水準
  • 過去の改正の概略
    • 1983年改正
    • 1990年改正
    • 1997年改正 ――包摂規準
  • JIS X 0208:1997の符号化方式
  • 外字・機種依存文字の問題

3.4 JIS X 0212 ――補助漢字

  • JIS X 0212の概要
  • 文字集合の特徴
    • 非漢字
    • 漢字
  • JIS X 0212と符号化方式 ――Shift_JISで扱えない
  • Column 「Unicodeで(他の符号化文字集合を)実装」という表現の問題

3.5 JIS X 0213 ――漢字第3・第4水準への拡張

  • JIS X 0213の概要
    • 漢字集合1面,漢字集合2面
  • 文字集合の特徴
  • 一般の印刷物でよく使われる記号類
    • 13区の機種依存文字と互換の文字
    • ラテン文字・発音記号
    • ASCIIとの互換性のための文字
    • アイヌ語表記用片仮名
    • 鼻濁音表記用の平仮名・片仮名など
    • 漢字(第3・第4水準)
  • 符号化方式
    • 符号化方式をめぐる論議 ――規定か,参考か
  • 2004年改正の影響 ――表外漢字字体表と例示字形
    • Unicodeとの対応関係 ――表外漢字UCS互換
  • ソフトウェアのJIS X 0213対応状況

3.6 ISO/IEC 8859シリーズ ――欧米で広く使われる1バイト符号化文字集合

  • ISO/IEC 8859(シリーズ)の概要
  • Latin-1 ――ISO/IEC 8859-1
    • ノーブレークスペース(NBSP)とソフトハイフン(SHY)
  • Latin-2 ――ISO/IEC 8859-2
  • その他のパート

3.7 UnicodeとISO/IEC 10646 ――国際符号化文字集合

  • UnicodeおよびISO/IEC 10646(UCS)の概要
  • 符号の構造 ――UCS-4,UCS-2,BMP
    • Unicodeの符号位置の表し方
    • 基本多言語面(BMP)
    • その他の面
  • 結合文字 ――1文字が1符号位置ではない
  • 既存の符号化文字集合との関係
    • Unicodeにおける文字名の定義 ――各文字に一意な名前を与える
    • ISO/IEC 8859-1との関係
    • 全角・半角形
  • Column ちょっと気になるUnicodeの文字名
    • 漢字統合 ――CJK統合漢字
    • 互換漢字
    • JIS X 0213との関係 ――プログラムで処理する上での注意点
  • Column UnicodeとUTF-8とUCS-2の関係

第4章 代表的な文字符号化方式

4.1 JIS X 0201の符号化方式

  • JIS X 0201の符号化方式の使い方
    • 8ビット符号
    • 7ビット符号

4.2 JIS X 0208の符号化方式

  • JIS X 0208で定められた符号化方式
  • 漢字用7ビット符号
    • 符号の構造
    • 漢字用7ビット符号の特徴
    • 適した用途
  • EUC-JP
    • 符号の構造
    • EUC-JPの特徴と注意
    • 重複符号化の問題
    • 適した用途
  • ISO-2022-JP
    • 符号の構造
    • 符号の性質
    • 適した用途
  • Shift_JIS
    • 符号の構造
    • Shift_JISの計算方式
    • Shift_JISの問題点
    • 重複符号化の問題
    • 適した用途
    • 機種依存文字付きの変種

4.3 Unicodeの符号化方式

  • UTF概説
  • UTF-16
    • 符号の構造
    • サロゲートペア
    • UTF-16の計算方法
    • UTF-16のバイト順の問題 ――ビッグエンディアンとリトルエンディアン
    • BOM(バイト順マーク)
    • 適した用途
  • UTF-32
    • 符号の構造
    • UTF-32の特徴
    • 適した用途
  • Column Unicodeの文字データベース
  • UTF-8
    • 符号の構造
    • ASCIIとの互換性 ――UTF-8の特徴
    • 冗長性の問題
    • BOM付きUTF-8の問題
    • CESU-8とModified UTF-8
    • 適した用途
  • Column HTMLのルビタグとUnicodeのルビ

第5章 文字コードの変換と判別

5.1 コード変換とは

  • なぜ変換が必要か
  • 変換のツール
    • iconv
    • nkf
    • Column kf
  • 変換の原則
    • 異なる文字集合体系の間の変換の問題
    • コード変換と文字変換

5.2 変換の実際 ――変換における考え方

  • コード変換の処理方法
  • アルゴリズム的な変換
    • JIS X 0208の符号化方式の変換
    • JIS X 0201とASCIIの違いの問題 ――Shift_JISの0x5C,0x7E
    • Unicodeの符号化方式の変換
  • テーブルによる変換
    • JIS X 0208とUnicodeの間の変換
    • JIS X 0208とASCII/JIS X 0201の間の変換
    • 変換の必要性 ――使い勝手の向上のために

5.3 文字コードの自動判別

  • 自動判別の例
    • 判別のツール ――nkf,kcc
  • なぜ自動判別できるか
    • BOMによる判別
    • エスケープシーケンスによる判別
    • バイト列の特徴を読む ――EUC-JPとShift_JISの判別例
    • 自動判別を助けるテクニック
  • 自動判別の限界

5.4 まとめ

  • Column 常用漢字表の改正と文字コード

第6章 インターネットと文字コード

6.1 電子メールと文字コード

  • メールの基本はASCII ――日本語は7ビットのISO-2022-JPで
  • MIME
    • メールを多言語に拡張する
    • charsetパラメータで文字コードを指定する
    • charsetパラメータの値
    • 誤ったcharset指定
  • Column character setという用語
  • テキストをさらに符号化する
    • Content-Transfer-Encodingフィールド
    • quoted-printable
    • base64
  • ヘッダの符号化 ――B符号化とQ符号化
    • nkfによる復号
  • 添付ファイル名の符号化
    • 添付ファイル名のトラブルの原因
    • 添付ファイル名の文字化けへの対処法
  • 日本語メールの符号化の現在とこれから
    • 現在
    • これから

6.2 Webと文字コード

  • HTML
    • HTMLで用いる文字
    • SGMLとしての背景
    • HTMLの文字参照
    • 文字コードの指定方法 ――head要素の中のmeta要素
    • lang属性の影響
  • CSS
    • 文字コードの指定方法
    • Unicode文字の参照
  • XML
    • XMLで用いる文字
    • XMLの文字参照
    • 文字コードの指定方法
  • URL
    • URL符号化
  • HTTP
    • HTML文書内部の文字コード指定が抱える問題点
    • HTTPヘッダによる文字コードの指定
    • Webサーバにおける設定
    • HTTPヘッダの確認方法
  • CGI
    • フォームから入力されるテキストの文字コード
    • 送信用の文字コードで符号化できない文字の扱い

6.3 まとめ

  • Column ファイル名の文字コードの変換 ――Linux環境の例

第7章 プログラミング言語と文字コード

7.1 Java ――内部処理をUnicodeで行う

  • Javaにおける文字はすべてUnicode
  • Javaの文字列と文字
    • StringクラスとCharacterクラスとchar型
    • ソースコードの中の文字
    • Unicodeエスケープ
    • JavaはUnicodeを知っている
    • サロゲートペアにまつわる問題 ――char単位で文字を扱うメソッド
    • サロゲートペアへの対応 ――charからintへ
  • 入出力における文字コード変換
    • Reader/Writerクラスによる変換
  • 文字コードを指定した入出力 ――InputStreamReader/InputStreamWriterクラス
    • Javaで扱える文字コード
    • プラットフォームのデフォルトの文字コードを得る
  • プロパティファイルの文字コード
    • native2ascii
    • プロパティエディタ ――プロパティファイル編集用のツール
    • XML形式のプロパティファイル
    • JDK 6におけるPropertiesクラス
    • リソースファイル ――プロパティファイルを国際化のために用いる
  • JSPと文字コード
    • pageディレクティブによる指定
    • Windowsの場合の問題 ――MS932変換表とSJIS変換表
    • 3つの対処法 ――入力/出力におけるUnicode変換の食い違いを解消する
  • 文字コード変換器の自作方法
  • ソートの問題 ――テキスト処理(1)
    • 文字コードによるソート順
    • 文字コード順以外によるソートの必要性 ――言語や国を考慮する
    • Collatorクラスの使用
    • CollationKeyによる性能改善
  • 自然な区切り位置の検出 ――テキスト処理(2)
    • 何が問題か ――Javaのcharと,結合文字やサロゲートペア
    • BreakIteratorクラス ――適切な区切り位置を検出する

7.2 Ruby 1.8 ――シンプルな日本語化

  • バージョン1.8までのRubyは,ASCIIが基本
  • Ruby 1.8の文字列
    • 文字列の長さ
    • バイト列としての操作
    • 文字列の操作
    • 文字列の比較とソート
    • jcodeによる複数バイト文字対応
  • 文字コードの指定
    • 指定方法 ――-Kオプション,$KCODE
  • 正規表現のマッチング ――文字コードの指定を適切に行う
    • $KCODEによる違い
    • 正規表現ごとの文字コード指定
    • 文字列を文字単位に切り分けるイディオム
  • 文字コードの指定を間違うと何が起こるか
  • JIS X 0213を使う
  • コード変換ライブラリ
    • NKF
    • Kconvクラス
    • Iconvクラス

7.3 Ruby 1.9 ――CSI方式で多様な文字コードを処理

  • 拡張されたRuby 1.9の文字関連処理
  • スクリプトの文字コードの指定 ――マジックコメント
  • Ruby 1.9の文字列
    • 自分の符号化方式を知っている
    • 文字列の連結
    • Unicodeエスケープ
    • 文字単位の操作
    • 文字列の長さ
    • Unicodeの結合文字やサロゲートの扱い
  • 入出力の符号化方式 ――IOクラス
    • 入出力における文字コードの指定
    • Encodingクラス
  • Ruby 1.9のコード変換
    • String#encodeメソッド
    • 挙動の制御
    • 変換できない文字の扱い ――挙動の制御(1)
    • XMLのメタ文字のエスケープ ――挙動の制御(2)
    • Encoding::Converterクラス

7.4 まとめ

  • Column 機種依存文字における重複符号化

第8章 はまりやすい落とし穴とその対処

8.1 トラブル調査の必須工具 ――16進ダンプツール

  • データのバイト値を検査する
    • od ――16進ダンプのツール
    • その他のツール ――hd,xxd

8.2 文字化け

  • 文字化けを自分で起こしてみて理解する
    • Shift_JISのテキストをEUC-JPやUTF-8で表示して化ける
    • Shift_JISのテキストをGB2312やEUC-KRで表示して化ける
  • ラベルと本体の不一致による文字化け
  • 機種依存文字に起因する文字化け
  • 文字化け防止の原則

8.3 改行コード

  • 改行コードに起因するトラブル
    • 1つのファイル中の混在
    • 想定外の改行コードの使用
  • 改行コードの変換
    • nkfコマンドによる改行コードの変換
    • trコマンドによる対応

8.4 「全角・半角」問題

  • 「全角・半角」で何が問題になるのか
  • 問題の本質
    • 区別のはじまり ――かつての機器のテキスト表示の制約条件
    • 用語の本来の意味 ――印刷用語の全角・半角
    • 文字コードは「全角・半角」を決めていない ――1バイトの「A」,2バイトの「A」
    • 「(いわゆる)全角・半角」の存在は便利なのか
  • 「全角・半角」問題への対応 ――利用者に「全角・半角」を意識させない
    • 求められる文字入力プログラム ――文字コードにおける一意な符号化という原則
    • 入力文字の検証 ――アプリケーション側の対処法(1)
    • 重複符号化された文字の同一視 ――アプリケーション側の対処法(2)

8.5 円記号問題

  • 円記号問題とは何か
    • ASCIIとJIS X 0201の違い
    • 円記号問題の顕在化
    • Webブラウザ上の表示
    • Unicodeとの変換による問題 ――単なる表示上の問題では済まなくなる
  • 対処のための注意点
    • EUC-JPの場合
    • 文字入力の際の注意
    • チルダとオーバーラインについての注意
  • 円記号問題は解決できるか
    • 問題の本質 ――0x5Cの意味の違いを厳密に運用する
    • 解決のための思考実験

8.6 波ダッシュ問題

  • 波ダッシュ問題とは何か
    • 現象の例
    • 波ダッシュとは
    • チルダとは
  • 問題の原因 ――WAVE DASHとFULLWIDTH TILDE
    • 変換の妥当性を検証する ――JISの1区33点とU+301Cの対応付け
    • Windowsの実装
  • 三つの対処案
    • (1)Unicodeに変換しない
    • (2)コード変換を揃える
    • (3)Unicode間で変換する
  • 波ダッシュ以外の文字 ――変換による問題が発生しがちな文字

8.7 まとめ

Appendix

A.1 ISO/IEC 2022のもう少しだけ詳しい説明

  • 符号化文字集合のバッファ
  • 指示と呼び出し
  • 94文字集合と96文字集合
  • エスケープシーケンス
  • 符号化方式の実際
    • EUC-JP
    • ISO-2022-JP

A.2 JIS X 0213の符号化方式

  • 既存の資産を活かしつつJIS X 0213の利点を亨受するために
  • 漢字用8ビット符号
    • 適した用途
  • EUC-JIS-2004
    • 「国際基準版・漢字用8ビット符号」との関係
    • 適した用途
  • ISO-2022-JP-2004
    • 包摂規準の変更による旧規格使用の制限
    • 適した用途
  • Shift_JIS-2004
    • 適した用途

A.3 諸外国・地域の文字コード概説

  • 中国 ――GB 2312とGB 18030
    • GB 2312
    • GB 18030
  • 韓国 ――KS X 1001
  • 北朝鮮 ――KPS 9566
  • 台湾 ――Big5とCNS 11643
    • Big5
    • CNS 11643
  • 香港 ――HKSCS
  • ロシア ――KOI8-R

A.4 Unicodeの諸問題

  • 正規化 ――いつのまにか別の文字に変わる?
    • 問題
    • 正規化
    • NFKC,NFKD
    • 正規化によって別の文字に移される文字
    • 日本語環境への影響
    • 互換漢字の扱い
    • Javaにおける正規化
    • ファイル交換の際のトラブル
  • 器問題 ――統合漢字と互換漢字の複雑な関係
    • 拡張B ――日本風,台湾風の器
    • Webブラウザの表示例
  • 異体字セレクタ ――「正しい字体」への欲求
    • 文字コードは文字の形を抽象化する
    • 異体字を指定する
    • IVS
    • プログラム上の対処
  • 絵文字の標準化
    • 携帯絵文字の現状
    • Unicodeへの絵文字取り込みの狙い
    • 漢字統合との類似性
    • 絵文字変換の問題
    • 収録レパートリーの問題
  • 書字方向の制御によるファイル名の偽装
    • 右から左に書く文字
    • ファイル名の偽装
    • Windowsにおける対策

A.5 EmacsとSKKによるJIS2004の活用 ――本書執筆の舞台裏

  • 入力環境
  • EmacsとSKKの対応経緯

A.6 規格の入手・閲覧方法ならびに参考文献

  • 参考文献

サポート

正誤表

本書掲載の記述に誤りがありました。ここに訂正し,深くお詫び申し上げます。

(2015年10月2日更新)

P.25 3行め(第1刷のみ,第2刷以降修正済み)

イギリス,フランス,スウェーデン,ドイツ,中国等
イギリス,フランス,スウェーデン,ドイツ等

補足:該当の記述部分で列挙するには適当ではないため訂正。中国にはGB 1988というISO/IEC 646国際基準版を元にした文字コード規格がありますが,GB 1988は符号位置2/4を円記号(¥)にするという変更を行なっていて,基本符号表の枠組みに基づいた変種ではありません。

P.111 表3.3(第1刷~第4刷)

誤
正

P.209 下から5行め

\5B571と書くと5桁
\56F31と書くと5桁

P.208 ページ中ほどのタグ付け例(第1刷〜第3刷。以降,修正済み)

<span lang="zh">你好</a>
<span lang="zh">你好</span>

P.363 7行め(第1刷~第4刷)

末尾に一文を追加。

ただし,新規追加される絵文字の中には,面01でなくBMPの既存のブロックに追加されるものも一部あります。

補足情報

P.301 最後の段落(第1刷,第2刷)

「一方,UTF-16...」以降~段落末尾までの記述について補足:UTF-16では制御文字CRのバイト表現は00 0Dのような連続した2バイトになるので,trで削除するということ自体そもそもできず,適当な例ではありませんでした。

trの代わりに,Perlなどを使って00 0Dというバイト列をただ削除すると,たとえばU+4E00 U+0D05という文字の並びに対応するバイト列4E 00 0D 05の途中2バイトも対象になってしまい,やはりテキストデータを壊してしまいます。

なお,ここの解説での主旨は,UTF-16にはASCII制御文字のバイトも文字のコード値の中に現れるので注意が必要という点です。

P.356 「ファイル交換の際のトラブル」項(の最終段落末尾)の補足

なお,iconvで「UTF-8-MAC」という場合,Unicodeの正規化仕様に厳密に従ったNFDではなく,p.355で説明した互換漢字の置き換えをしないNFDが適用されます。

商品一覧