キャラクター（コンピューティング）

コンピュータや機械ベースの通信用語では、文字とは、自然言語の書き言葉におけるアルファベットや音節文字などの書記素、書記素のような単位、または記号にほぼ対応する情報の単位である。^[1]

文字の例には、文字、数字、一般的な句読点（「.」や「-」など）、空白などがあります。この概念には、制御文字も含まれます。制御文字は、目に見える記号ではなく、テキストの書式設定や処理の指示に対応します。制御文字の例には、キャリッジ リターンやタブのほか、テキストを表示または処理するプリンターやその他のデバイスへの指示などがあります。

文字は通常、文字列に結合されます。

歴史的に、文字という用語は、特定の数の連続したビットを表すために使用されていました。今日では、文字は8ビット（1バイト）を指すと最も一般的に考えられていますが、 6ビット文字コードなどの他のオプションもかつては人気があり、^{[2] [3]}、5ビットのBaudotコードも過去に使用されていました。この用語は、16個の可能な値のみを持つ4ビットに適用されたことさえあります^[4]。すべての現代のシステムは、これらの固定サイズのピースのさまざまなサイズのシーケンスを使用します。たとえば、UTF-8は、さまざまな数の8ビットコードユニットを使用して「コードポイント」を定義し、Unicodeはさまざまな数の8ビットコードユニットを使用して「文字」を定義します。

コンピュータや通信機器は、文字エンコーディングを使用して文字を表します。文字エンコーディングでは、各文字を何か（通常は数字のシーケンスで表される整数量）に割り当て、ネットワークを介して保存または送信できます。一般的なエンコーディングの 2 つの例は、ASCIIとUnicodeのUTF-8エンコーディングです。ほとんどの文字エンコーディングでは文字を数字やビット シーケンスにマッピングしますが、モールス信号では、さまざまな長さの一連の電気インパルスを使用して文字を表します。

歴史的に、文字という用語は、プログラミング言語またはAPIによって定義されることが多いエンコードされた文字を指すために業界の専門家によって広く使用されてきました。同様に、文字セットは、特定のビット シーケンスまたは数値コードにマップされた特定の文字のレパートリーを指すために広く使用されてきました。グリフという用語は、文字の特定の視覚的外観を説明するために使用されます。多くのコンピューターフォントは、対応する文字の数値コードによってインデックス付けされたグリフで構成されています。

^{Unicode [5]}とビットに依存しないコード化文字セットの出現と普及により、^{[説明が必要]}文字は特定の視覚的表現とは独立した情報単位として見られるようになってきています。ISO/IEC 10646 (Unicode) 国際標準では、文字、または抽象文字を「データの編成、制御、または表現に使用される要素セットのメンバー」と定義しています。Unicode の定義では、読者が文字、書記素、グリフなどを区別できるように説明文が補足されています。このような区別は、プレゼンテーションとコンテンツの分離というより広いテーマの一例です。

たとえば、ヘブライ文字の アレフ("א") は、数学者が特定の種類の無限大(ℵ) を表すためによく使用されますが、通常のヘブライ語のテキストでも使用されます。Unicode では、これら 2 つの用途は異なる文字と見なされ、2 つの異なる Unicode 数値識別子 ("コード ポイント") を持ちますが、同じように表示されることもあります。逆に、中国語の 表語文字である水 ("水") は、日本語のテキストでは中国語のテキストとは少し異なる外観になる場合があり、ローカルの書体ではこれが反映されることがあります。しかし、Unicode では、これらは同じ文字と見なされ、同じコード ポイントを共有します。

Unicode 標準では、これらの抽象文字とコード化文字、またはコンピューターでの表現を容易にする数値コードとペアになっている エンコードされた文字も区別しています。

結合文字もUnicodeで扱われる。例えば、Unicodeは各文字にコードポイントを割り当てる。

• 「私」（U+0069）、
• 結合分音記号（U+0308）と
• 「ï」（U+00EF）。

これにより、「naïve」という単語の真ん中の文字を、単一の文字「ï」として、または文字「i」と結合分音記号の組み合わせとしてコード化することが可能になります: (U+0069 ラテン小文字 I + U+0308 結合分音記号)。これは「ï」としても表示されます。

これらは、Unicode 標準では正規に同等であると見なされます。

Cプログラミング言語のcharは、ちょうど1バイトのサイズを持つデータ型であり、^{[6] [7]}これは、「基本実行文字セット」の任意のメンバーを格納するのに十分な大きさとして定義されています。正確なビット数はマクロで確認できます。最も一般的なサイズは8ビットであり、POSIX標準では8ビットである必要があります。 ^[8]新しいC標準では、charはUTF-8コード単位を保持する必要があり^{、[6] [7]}最小サイズは8ビットである必要があります。 CHAR_BIT

Unicodeコード ポイントには、最大 21 ビットが必要です。^{[9]これはほとんどのシステムでは}charに収まらないため、一部のシステムでは複数のコード ポイントが使用されます。たとえば、可変長エンコードのUTF-8では、各コード ポイントは 1 ～ 4 バイトです。さらに、「文字」には複数のコード ポイントが必要になる場合があります (たとえば、結合文字の場合)。これは、「文字」という言葉の意味によって異なります。

文字は歴史的に 1 バイトに格納されていたため、ほとんどのドキュメントでは 2 つの用語 (「char」と「character」) が互換的に使用されていました。このため、UTF-8 などのマルチバイト エンコーディングが使用されている場合、ドキュメントが混乱したり誤解を招いたりすることが多く、文字列操作関数の実装が非効率的で不正確になる (文字列の「長さ」をバイト数ではなくコード単位の数として計算するなど) ことがありました。最新の POSIX ドキュメントでは、これを修正しようとしており、「character」を単一のグラフィック シンボルまたは制御コードを表す 1 つ以上のバイトのシーケンスとして定義し、char データを参照するときに「byte」を使用するようにしています。^{[10] [11]ただし、} charの配列を (バイト配列ではなく)文字配列として定義するなどのエラーがまだ含まれています。^[12]

Unicode は、 charより大きいコード単位で構成された文字列に格納することもできます。これらは「ワイド文字」と呼ばれます。元の C 型はwchar_tと呼ばれていました。一部のプラットフォームではwchar_t が16 ビットとして定義され、他のプラットフォームでは 32 ビットとして定義されているため、最近のバージョンではchar16_t、char32_tが追加されました。その場合でも、格納されるオブジェクトは文字ではない可能性があります。たとえば、可変長UTF-16は、多くの場合char16_tの配列に格納されます。

他の言語にもchar型があります。C ++など一部の言語はCと同様に少なくとも8ビットを使用します。^[7] Javaなど他の言語では、UTF-16値を表すために charに16ビットを使用します。

• 文字リテラル
• 文字（記号）
• 文字を埋める
• 組み合わせ文字
• ユニバーサル文字セット文字
• ホモグリフ

• キャラクター: Linux 情報プロジェクト (LINFO) による簡単な紹介
• ISO/IEC TR 15285:1998は、用語の定義と文字とグリフの区別に焦点を当てて、ISO/IECの文字モデルを要約しています。