文字コードのお勉強

　開発者の人生の中で、12%くらいは文字コードで悩まされていると思う。
Java・JDBCにおけるCP932の"〜"問題。PerlのUTF-8フラグ。
MySQL4.1の文字コードの自動変換機能。通信プログラムの制御文字とか。
ちょっと体系的に知りたくて、本を読んでみた。

文字コード超研究

学んだこと、思い出したこと。
　EUC-JPは、ハイフン。Shift_JISはアンダースコア
　　exportの時によく悩む。

　Shift_JISの困ったチャン。
　　漢字コードの一部に制御コードが紛れ込んでいる。
　　この前、S_JISのデータをDBにダンプする時にエラーが起きて困っていた。
　　そりゃそうか。"表"とかね。

　EUC
　　自分がどこの国のコードなのかは、自身には持たない。
　　EUC-JPとEUC-KR,EUC-CNのコードは被っている。コード外に持っている必要がある。

　UTF-8
　　実は可変長。1〜6バイト。ひらがな・カタカナ・漢字は3バイト。
　　ASCII部分はASCIIと共通。
　　なんで、ASCIIしか扱えないアプリでも、ASCII部分のみは通用する。
　　ASCII部分で構成されていたら、尚更問題ない。（人は、それをASCIIと呼ぶ・・・。）　　
　ISO 2022
　　複数のコード系を切り替えて使える。柔軟。その分、プログラマ泣かせ。
　
　ISO-2022-JP
　　ASCIIとJISローマ字、78JIS、83JISが使える文字集合

　ISO-2022-JP-1
　　ISO-2022-JPの文字集合に加えて、
　　JIS X 0212-1990（補助漢字）

　ISO-2022-JP-2
　　ISO-2022-JPの文字集合に加えて、
　　GB2312-80（中国）、JIS X 0212-1990（補助漢字） KS X 1001:1992（韓国）
　　ISO 8859-1:1998（ラテン文字１） ISO 8859-7:1998（ラテン/ギリシャ文字）
　　中国からのスパムは、ISO-2022-JP-2かUTF-8が多いのかな？

　ちなみにISO-2022-JPには、半角カナは無い。
　メールで半角カナを送られると困る人もいる。

　BASE64
　　メールで、バイナリデータを添付する時に使われるエンコード。
　　Shif_JISやEUC-JPなどの8ビット文字をエンコードして送られる。

　Webページの美乳
　　EUC-JPのWebページは、美乳という文字を入れておけば文字化けしない。
　　結構有名な話。何故なら、EUC-JPにしかない0xfd,0xfeというコードがあるから。
　　そんなことより、ちゃんとエンコードの指定をしておけと言うお話。

　所感
　　斜め読みしたけど、かなり良い。一家に一冊ぐらいのレベルです。
　　最初から知っていれば、はまる事も少ないはず。
　　難点は、重いので寝転がって読めない・・・。手が疲れる