Unicode

調べていたらこんがらがってきたのでまとめ。

• Unicode Home Page
• 使いこなそうユニコード

Unicode : The universal character encoding

(昔は)16bitに全ての文字を詰め込もうとした文字集合。当然65536字に全世界の文字が収まるはずはないのでHan Unificationという漢字統合作業をして無理やり詰め込んだ。

(今は)文字コード？UTFの総称？UCS-2の別名？なんか場所によって色々言われててよくわらん。教えてｴﾛｲ人。Unicode公式のFAQでは"Unicode is the universal character encoding, maintained by the Unicode Consortium"ってことで符号化方式だし、"What is Unicode?"では"Unicode provides a unique number for every character"ってことは文字集合だし、やっぱりよくわからん。

一般的にプログラミング言語等で言われるUnicodeはUTF-16っぽい。

UCS : Universal Character Set

ISO/IEC 10646っつー名前で規定されている文字集合(Character Set)。各文字に通し番号がついてるので文字コードとしても使おうと思えば使えるだけ、という認識でいいのか…？

• UCS-4
  • Universal Character Set coded in 4 octets.
• UCS-2
  • Universal Character Set coded in 2 octets, Javaの内部表現？

UTF : Unicode or UCS Transformation Format

文字符号化方式(Character Encoding)。まぁUCS-4からの(文字集合指定)符号化方式なので文字コードといってもいいと思う。各文字はそれぞれ7/8/16/32bitを最小基本単位とした可変bit。

• UTF-7
  • メール(でも使われなくなってるくさい？)。
• UTF-8
  • RFC3629, RFC3629日本語, 1〜6byte。US-ASCIIと互換性を持たせたい/持たせなきゃいけないところ。
• UTF-16
  • RFC2781, 2 or 4byte。サロゲートエリアを使うことは現状でほぼない(らしい)ので、一応固定長文字として扱える。プログラミング言語の内部表現としてよく使われる。D言語とか、WindowsのC/C++とか。
• UTF-32
  • 4byte, 32bitで固定、UCS-4のサブセット。Unixとか。