Web技術勉強会 第34回
- 1. Web技術勉強会 第34回 文字コードについて Ryuichi TANAKA. Blog: http://blog.livedoor.jp/mapserver2007/ Twitter: @mapserver2007
- 3. 全部别物
- 4. この际勉强しよう！
- 6. 用語の確認 UCS(UCS-4) Universal Character Set コードテーブルは0～0x7FFFFFFF(約21億 文字分) 1文字あたり4バイトを使用することから UCS-4とも呼ばれる文字集合
- 8. 用語の確認 Unicode UCSの0～0x10FFFF(約111万文字分)を使 用 UCSとUnicodeは策定しているグループが 違うが、UCSとUnicodeは同じ意味で扱わ れることがある
- 9. 用語の確認 Unicode Unicodeは元々16ビットですべての文字を 表そうとしたのが始まり。 無理にきまってんだろｊｋ これだからシングルバイト圏の人間は。
- 10. 用語の確認 Unicode 現在ではUnicodeは1文字４バイトで表現さ れる １文字４バイトはUCS(UCS-4)と同じだが、 使用範囲が限定されている Unicodeは00群0F面まで 定義上の最大は127群255面まで
- 11. 用語の確認 UTF-16 UCS-2にサロゲートペアを併用した符号法 元々は16ビットの固定長の符号 サロゲートペアを併用することで大幅に使 用範囲が増えた
- 12. 用語の確認 UTF-16 UTF-16ではファイルの先頭にBOMをつけ る UTF-16ではUCS-2の範囲外の文字 (＝UCS-4から持ってくる)のうち、 0x10000～0x10FFFFをサロゲートペアとし て表す
- 13. 用語の確認 サロゲートペア UTF-16で採用されたUnicodeの符号化法 の一つ サロゲート文字(≠サロゲートペア)として上 位、下位それぞれ1024文字割り当てている
- 14. 用語の確認 サロゲートペア 16ビットUnicodeの未定義領域の1024文字 を2つ使用する 上位サロゲートは0xD800～0xDBFF 下位サロゲートは0xDC00～0xDFFF これらを組み合わせたものをサロゲートペ アと呼ぶ
- 15. 用語の確認 サロゲートペア 1024x1024＝1048576文字を256x256の面 (Plane)に分割、16面＋BMP(Basic Multilngual Plane=基本多言語面=最もよく 使う基本的な文字?記号がほぼすべて含ま れる領域＝0x0000～0xFFFF)の計17面、約 111万文字が使用可能になる
- 16. 用語の確認 BOM Byte Order Mark UTF-16(UTF-8にもつけられる)の先頭に つけるU+FEFE(0xFEFE)のこと UTF-8ではEF BB BF BOMがつくとリトルエンディアン BOMがつかないとビッグエンディアン
- 17. 用語の確認 UTF-8 1文字を1～6バイトの可変長バイト列で表 現する符号法 サロゲートペアを用いない 広大な範囲を持つが、現在の標準仕様 (RFC3629)では使用範囲が0～0x10FFFF のみに規定されている
- 18. 用語の確認 UTF-8 BOMがつけれれる BOMをつけたUTF-8はUTF-8Nと表記 しかし、国際的には認められていない 使われるのは国内のみ
- 19. まとめると範囲は UCS-2?UTF-16?UTF-8(現行) ?(鲍颁厂-4?真の鲍罢贵-8)
- 21. 直近、俺らが困りそうなこと
- 22. サロゲートペア问题
- 23. サロゲートペア问题 サロゲートペア領域とUTF-16のデフォルト領 域はビット数が違う UTF-16のデフォルト：16ビット サロゲートペア領域：32ビット
- 24. つまり、デフォの鲍罢贵-16领域にある文字列は「2バイト」、サロ ゲートペア文字は「4バイト」になる。 これは実に重大な問題を引き起こすので無視できない。 特にWebアプリで。
- 25. <html> <head> <script> function length(e) { alert(e); alert(e.length); } </script> </head> <body> <input type="button" onclick="length('u3042');" value="あ"/> <input type="button" onclick="length('u20B9F');" value="𠮟"/> </body> </html>
- 29. 入力フォームにサロゲートペア文字を含んでいる場合…。単に length取っただけだと、あっさり8文字以下でも突破できちゃう。 それをそのままDBに突っ込んだ日にゃ。 もうめちゃくちゃ。