文字エンコーディングの違い

文字集合(CCS)と文字符号化方式(CES)

文字コードには、文字集合は同じでも符号化方式が違う文字コードがある

文字集合 JIS X 0208
符号化方式 JISコードやEUC-JP

• 日本語の文字集合

  • JIS X 0208
    • JISコード
    • EUC-JP
    • Shift_JIS

• 世界中の全ての文字を共通の文字集合/符号化方式

  • Unicode
    • UTF-8
    • UTF-16

• 文字集合が同じ 場合、符号化方式が違っても容易に変換が可能

• 符号化方式が同じでも、文字集合が違う場合変換が難しい

  • EUC-JP(日本語)
  • EUC-KR(韓国語)
  • EUC-CN(中国語)

文字エンコーディング

ASCII

• 英語などラテン文字を中心とした文字コード
• 1文字を7ビット(=0~127)で表現
  • 残り1ビットは通信エラーチェック用のパリティビットになる

JISコード (ISO-2022-JP)

• 日本語を中心とした文字コード
• 日本語を利用する電子メールの多くで採用されている
• ASCIIと同じく7ビットで表現
  • 残り1ビットは、漢字モードであることを示す文字列になっている

Shift_JIS

• 日本語を中心とした文字コードでよく使う
• CSVなどで利用されている
• 漢字は2バイトで表現するが、ASCIIコードと被る領域があり、文字化けする可能性がある

EUC-JP

• 日本語のUnix/Linuxで長らく使われてきた
• ASCIIが利用していない上位ビットを使うことで文字種類を判別

Unicode

• 文字集合と符号化方式を定めた規格
• UTF-16
  • 16ビットで符号化したもの
  • WindowsなどのOS内部で利用されている
• UTF-8
  • 可変長1-4バイトの8ビットで符号化したもの
  • WebのHTML5で標準の文字エンコーディング