円マークとバックスラッシュ(その9) [文字コード]

今までの、ASCII/JIS X 0201/JIS X 0208 などは、文字集合の話であった。これらの文字集合をセットとして、使い分けるための仕組みとして文字コード(文字エンコーディング)が策定されている。JIS/SJIS/EUC/UTF-8などがそれである。

「ISO 2022で規定しているもののうち、7単位符号系によるものを指す」というのが多分、正式なんだろうけれど、通常は、ISO-2022-JPと呼ばれているやつ。ASCII/JIS X 0201/JIS X 0208を主に使用する。つまり、３つの文字集合をエスケープキャラクタで切り替えて使用するのだ。エスケープキャラクタの実際は、

がくることになる。

閑話休題従って、0x5Cを、^[(B のあとに来ればバックスラッシュ^[(J の後なら円記号として表現されるべきであるが、実際には Windows上で動く News Reader は^[(B を使っているにもかかわらず円記号として表現してしまうらしい。*2まあ、Macだって偉そうなことは言えないのだが・・・

JISコードは7ビットで表現されるため、世界規模で活用される電子メールシステムや、ネットニューズシステムで利用される。要は、所詮1バイト文字の国から発祥しているInternetで、2バイト文字の言語を使うには気を遣うという話。8ビット目を無視するシステムでも問題なく使用することができる。逆に言うと、でっかいテーブルを1個ぶち挙げて、世の中の文字という文字をそん中に入れちまおうぜ！的な、Unicodeの考え方と反対だったりする。

Microsoft社によって策定された。JIS X 0201 の8ビット符号を拡張し、JIS X 0208 の文字セットを同時に扱えるようにした文字コード。文字の1バイト目を見るだけで漢字か1バイト文字(いわゆる半角英数字)か分かるということで、コンピュータの内部的には、JISより具合がいいらしい。ま、そんなこんなで、WindowsもMacも基本的にはこれ。*3ISO 2022-JPとは相性が悪い、国際的な規格に適合しない、拡張性に乏しい、などの問題点がありながらも、背に腹は的な発想で定着してしまったある意味のDe facto Standard の悪しき例とも(Bill嫌いの人とかによって)言われるらしい。

1985年にAT&T社によって策定された、マルチバイト言語の文字を扱う枠組みというか規定。主にUNIXシステムで使用されている。日本語のEUCは特にEUC-JPなんて呼んだりする。もっと、わかんない言い方をすれば、「ISO 2022の8単位符号系のひとつ」なんても言えたりする。*4そのおかげでISO 2022-JPと変換しやすいという点以外は、ほぼSJISと同じメリットしかないし、弱点も似ている。(拡張性)

世界中の全ての文字を含む単一の文字集合を定義しようと試みたISO/IEC 10646 という規格がある。ISO/IEC 10646 には

の2種類の使用法が定義されている。でも、従来のASCII文字も含めたあらゆる文字が２バイトで表されることになる。そうするとASCIIコードとすらも互換性がないが、ASCIIとの互換性を保ったものがUTF-8(Unicode (or UCS) Transformation Format, 8-bit encoding form)である。ASCII文字が１バイトで表される代わり、ギリシア文字やロシア文字は２バイト、漢字や仮名などは３バイトで表わされる。UTF-8では，非ASCII文字にはMSB（最上位ビット）が立った（1になった）コード（二進数で10000000から11111111の文字）を用いるのでASCIIとは完全に区別される。と分かったような分からんような話を書いたけど、要するに、ISO 2022-JP とは、逆で、くそでかい表を作りましょうと。その中に、文字を全部ぶち込みましょうと。それが、ISO/IEC 10646 の考え方であり、ISO2022とは反対の発想なのさと。その考え方で出来たのがUnicodeというやつだよと。ところが、Unicodeちゅーても、どのくらいのでかさの表にする？っちゅー部分がまだ、揺れていて、いろいろと種類があるよと。表の大きさは文字の種類で、変動すればいいんじゃん？と。そすれば、ASCII文字との互換性も保てるじゃんかしさぁ〜と。それが、UTF-8 だよと。ま、そのくらいしか、私も理解してない。

<< Prev (JIS X 0208の話) |　Next (参考URL・書籍など) >>