書籍概要

WEB+DB PRESS plus

[改訂新版]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

ソフトウェアエンジニアをおもな対象に,文字コードの基本をまとめた解説書。

本書前半では,「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,文字コードの原理原則,変遷,主要な仕様の要点をはじめとした基礎知識を丁寧に解説。さらに後半では,Unicode/UTF-8/UTF-16,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を例にプログラミング言語における文字コードの扱い,はまりやすい落とし穴とその対処など,広くソフトウェア開発に携わるエンジニアの方々へ,知っておきたい技術情報を厳選してお届けします。

今回の改訂第2版では,初版の骨格はそのままに,9年間の変化を反映して,規格や文字政策,プログラミング言語・API等の最新版に追随するよう,全面的に加筆修正しました。

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

第2版改訂における,おもな変更点

第2版改訂に伴い,おもに以下の内容の追加・更新を行いました。

  • 2010年の改正常用漢字表に対応
  • JIS X 0208とJIS X 0213の2012年改正に対応
  • ISO/IEC 10646のUCS-4の変更に対応
  • Unicodeに追加された変体仮名の説明
  • Unicode 11に基づいた説明
  • 本書初版では標準化作業中だったUnicode絵文字を,最新版に基づいた説明に変更
  • Webブラウザの動作例を2018年時点で使用されているバージョンに更新
  • 紹介するコマンドラインツールを最近よく使われるものに見直し
  • HTML5の仕様を反映
  • YAMLとJSONについて記述
  • JavaおよびRubyの対象バージョンをアップデート
  • 文字化けのよくあるパターンを紹介
  • Unicodeの標準化異体シーケンス(Standardized Variation Sequence)の説明を追加
  • WebサイトやメールにおいてUTF-8の使用が増えたことを反映した修正

サンプル

samplesamplesample

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 ……ASCIIISO/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/GLCR/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
      • 2022≠エスケープシーケンスによる切り替え
    • 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-JPISO-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 8859Latin-1

  • ヨーロッパ各地域向けの文字コード
    • ISO/IEC 8859ISO/IEC 8859-1Latin-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 ……UnicodeISO/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-16UTF-8
  • 国際符号化文字集合の現状
    • Unicodeの使用状況 OSの内部コードやWebページとその他の状況

2.6 まとめ

  • Column 字形と字体
  • Column 常用漢字表の改正と文字コード

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
      • 字体の変更(簡略化)と符号位置の入れ替え
    • 1990年改正
    • 1997年改正 包摂規準
      • 包摂規準の明示
      • JIS X 0208(97JIS)の包摂規準の活用
      • JIS X 0208(97JIS)の包摂規準の生い立ち
      • 漢字の包摂規準を理解する
      • 漢字の典拠調査 幽霊漢字の退治
  • 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
  • Column 「Unicodeで(他の符号化文字集合を)実装」という表現の問題
    • 漢字
  • JIS X 0212と符号化方式 Shift_JISで扱えない

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
      • 日本語のローマ字表記に必要な文字
      • 発音記号として使われる文字
      • その他のダイアクリティカルマーク付きの文字など
      • 合成用のダイアクリティカルマーク
    • 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)
      • 地名や人名学校教科書に使われる漢字
      • 収録された文字の収集にあたって
      • 妛問題の字体の新規追加による解決
      • 199の包摂規準
      • 人名用漢字のすべて JIS X 0208で包摂されていた微小な差を分離したもの
      • 1983年改正で字体が大きく変更された漢字29文字の変更前の字体
      • 漢字のへんやつくりなどの字体記述要素
  • 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-4UCS-2BMP
    • Unicodeの符号位置の表し方
    • 基本多言語面(BMP)
    • その他の面
      • 面01 SMP
      • 変体仮名
      • 面02 SIP
      • 面0E
  • 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
  • Column ちょっと気になるUnicodeの文字名
    • ISO/IEC 8859-1との関係
    • 全角・半角形
    • 漢字統合 CJK統合漢字
      • 原規格分離規則
      • 統合漢字の数
      • 漢字統合と適切なフォントの選択
    • 互換漢字
      • 互換漢字の領域
      • 互換漢字と正規化
    • JIS X 0213との関係 プログラムで処理する上での注意点
      • ❶BMP以外の面の漢字の存在
      • ❷結合文字の使用の必要
      • ❸互換漢字の正規化の問題
  • 絵文字
    • 絵文字とは
    • 符号位置概要
    • 複数符号位置による装飾
    • 国旗の特殊な符号化
    • 絵文字の形の違い
    • 絵文字に未来はあるか
  • 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
      • 国際基準版・漢字用8ビット符号との関係
    • 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
      • UCS-2との関係
    • 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
      • UCS-4との関係
    • UTF-32の特徴
    • 適した用途
  • UTF-8
    • 符号の構造
      • 計算方法
    • 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 機種依存文字における重複符号化

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
      • 変換できない場合
    • nkf
  • 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
      • ISO-2022-JPとEUC-JPの間の変換  エスケープシーケンスと0x80の足し引き
      • Shift_JISの関係する変換 区点番号を介した計算
    • JIS X 0201とASCIIの違いの問題 Shift_JISの``0x5C````0x7E``
      • 文字コードの定義に忠実なコード変換とその問題
    • Unicodeの符号化方式の変換
      • UTF-8からの変換
      • UTF-16からの変換
  • 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
      • JIS X 0201ラテン文字集合の変換の例題
      • ハイフンマイナスの問題
      • JIS X 0201片仮名集合の場合
    • 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
  • 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

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
      • base64による符号化のしくみ
  • 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

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
      • 統合漢字を描画し分ける
      • 言語情報は書体選択の役に立つか
  • 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
      • XML宣言
      • XHTMLの場合
  • YAMLとJSON
  • URL
    • URL符号化
      • HTML・XMLの中のURL
  • 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
  • HTMLフォーム(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

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
      • コンパイル時のコード変換
    • Unicodeエスケープ
    • JavaはUnicodeを知っている
      • 文字の属性を調べる
      • 大文字・小文字 Character.isLowerCase(char)メソッド他
      • 数字・文字 Character.isDigit(char)メソッド
      • Unicodeブロック Character.UnicodeBlockクラス
    • 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
    • デフォルトの文字コードを指定する
  • 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
    • 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
      • よく問題になる例 〜(波ダッシュ)
    • 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
      • ❶入力時の変換をSJIS変換表に揃える
      • ❷MS932変換表を使う
      • ❸Javaプログラムで置換したうえでSJIS変換表で出力する
  • 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❶
    • 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・地域を考慮する
    • 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❷
    • 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
      • コード判別
    • Kconvクラス
    • Iconvクラス

7.3 Ruby 1.9以降 ……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
    • 結合文字を含めた「1文字」をとる
  • 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❶
    • XMLのメタ文字のエスケープ 挙動の制御❷
    • Encoding::Converterクラス

7.4 まとめ

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 hdxxd

8.2 文字化け

  • 文字化けのよくあるパターン
  • 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❶
    • 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❷

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
      • Unicodeの例示字形
      • FULLWIDTH TILDEの存在
    • Windowsの実装
  • 三つの対処案
    • ❶Unicodeに変換しない
    • ❷コード変換を揃える
    • ❸Unicode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
    • NFKCNFKD
    • 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
    • 互換漢字の代替手段としての異体字セレクタ
    • プログラム上の対処
  • 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
      • 偽装のしくみ
      • Windowsによる実験
    • Windowsにおける対策

A.5 Unicodeの文字データベース ……UnicodeData.txtとUnihan Database

  • UnicodeData.txt
  • 文字の種別の判別
  • Unihan Database

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

本書の以下の部分に誤りがありました。ここに訂正するとともに,ご迷惑をおかけしたことを深くお詫び申し上げます。

(2023年12月27日最終更新)

P.107 図3.28 図中(向かって)右下側

U+FF41

zu03-28-OLD.png

U+FF21

zu03-28-NEW.png

(以下2019年2月6日更新)

P.29 下から11行め

各バイトはASCIIの図形文字と同じコード範囲、つまり0x20から0x7Eまでを用います。
各バイトはASCIIの図形文字と同じコード範囲、つまり0x21から0x7Eまでを用います。

商品一覧