Unicode ～UTF-8、UTF-16との違い～（文字コード関連） | 読み物

Unicode ～UTF-8、UTF-16との違い～

トップ > 読み物 > （文字コード関連）Unicode ～UTF-8、UTF-16との違い～

UnicodeとUTF-8、UTF-16との違いもこれでスッキリ！！

　UnicodeとUTF-8、UTF-16との違いはなんでしょうか？
　ここでは、あまり詳細にはこだわらず、これらの概念を整理してみたいと思います。

　まずUnicode。
　これは文字集合です。アルファベットや記号はもちろん、漢字やひらがな、ハングルやヘブライ文字など、世界中で使われている文字を集めたものです。

　次にUTF-8とUTF-16。
　これらはUnicodeで定義されている一つ一つの文字を、どのように符号化するかという文字符号化方式（エンコーディング）です。
　たとえば、Unicodeで定義されている「あ」という文字を、UTF-8とUTF-16で符号化すると下記のようになります（16進数表記）。
　Unicodeという一つの文字集合に対して、異なる文字符号化方式UTF-8、UTF-16が存在し、符号化した結果も異なります。

　どうしてUnicodeという一つの文字集合に対して、異なる文字符号化方式が存在するのかといえば、そこには歴史的な経緯があり、それぞれの文字符号化方式に長所・短所があるので、目的に応じて使い分けられています。
　UTF-8とUTF-16それぞれの特徴を下表にまとめます。

UTF-8	UTF-16
・ASCIIに対して上位互換となっている。・ASCII互換部分は1バイトである反面、漢字や仮名などの表現に3バイトを要する。・バイト単位の入出力を行うため、バイト順の影響がない。	・BMP（※）内の文字は2バイト、BMP以外の文字は4バイトで表す。・バイト単位の入出力でバイト順を識別するためのBOM（※）が必要。・WindowsXPなどの内部コード

　繰り返しになりますが、Unicodeというのはあくまで文字集合であって、実際に文字をデータとしてファイル等に保存する場合にはUTF-8やUTF-16といった文字符号化方式を使います。

　ところが！！

　Windowsメモ帳の保存ダイアログの「文字コード」セレクトボックスでは、「UTF-8」の他に「Unicode」が選択できるようになっています。

　なぜ、保存（エンコーディング）するのに文字集合である「Unicode」が選択できるのでしょうか？
　実は、ここでいう「Unicode」とは「UTF-16」を指しています。
　文字コード「Unicode」を選んで保存すると、実際には「UTF-16」でエンコードされて保存されます。
　まぎらわしいので、「UTF-16」と表示してほしいですね。
　sakuraエディタなどでも同様に保存ダイアログで「Unicode」を「UTF-16」と同じ意味で使っています。

　ちなみに上図の文字コードの選択肢「ANSI」という表示もおかしくて、正しくは「CP932」です（CP932についてはShift_JIS、CP932、MS932、Windows-31Jをご覧ください）。

　※上記の説明では簡便にするため、エンディアンやBOM、またBMPについては触れていません。
　エンディアンやBOMについては、Unicode ～エンディアンとBOM～を、BMPについてはUnicode ～UCS-4とUCS-2～をご覧ください。

トップ > 読み物 > （文字コード関連）Unicode ～UTF-8、UTF-16との違い～

トップ | このサイトについて | 管理者へメール | サイトマップ