Loading article…
拡張 Unix コード( EUC ) は、主に日本語、韓国語、簡体字中国語 (文字)に使用されるマルチバイト文字エンコードシステムです。
最も一般的に使用される EUC コードは可変長エンコードであり、 ISO/IEC 646準拠のコード化文字セット ( ASCIIなど)に属する文字は1 バイトを占め、94×94 コード化文字セット ( GB 2312など) に属する文字は 2 バイトで表されます。GB 2312のEUC-CN形式とEUC-KRは、このような 2 バイト EUC コードの例です。EUC -JP には、最初のシフト コードを含めて最大 3 バイトで表される文字が含まれますが、 EUC-TWでは 1 文字に最大 4 バイトかかる場合があります。
最近のアプリケーションでは、EUC コードのすべてのグリフなどをサポートし、ベンダーの逸脱やエラーが少なく、一般的に移植性が高いUTF-8が使用される可能性が高くなります。ただし、EUC は依然として非常に人気があり、特に韓国では EUC-KR が人気です。
エンコード構造
EUC の構造はISO/IEC 2022標準に基づいており、94 個の 7 ビット バイト0x21～ 7E、または 8 番目のビットが使用可能な場合は 0xA1～FE のシーケンスで表すことができるグラフィカル文字セットのシステムを指定します。これにより、94 個のグラフィカル文字、つまり 8836 (94 2 ) 文字、または 830584 (94 3 ) 文字のセットが可能になります。当初は 0x20 と 0x7F は常にスペースと削除文字であり、0xA0 と 0xFF は使用されていませんでしたが、 ISO/IEC 2022の後のエディションでは、特定の状況下でセット内でバイト 0xA0 と 0xFF (または 0x20 と 0x7F) の使用が許可され、96 文字セットを含めることができるようになりました。 0x00～1F および 0x80～9F の範囲は、C0 および C1 制御コードに使用されます。
EUC はISO/IEC 2022の8ビットプロファイルのファミリであり、 ISO-2022-JPなどの7ビットプロファイルとは対照的です。そのため、ISO 2022準拠の文字セットのみが EUC 形式を持つことができます。最大4つのコード化文字セット (G0、G1、G2、G3 またはコードセット 0、1、2、3 と呼ばれる) を EUC スキームで表現できます。G0 セットはASCII、ISO 646:KR ( KS X 1003 )、またはISO 646:JP ( JIS X 0201の下半分) などのISO/IEC 646準拠のコード化文字セットに設定され、GL (つまり、最上位ビットがクリアされた 0x21–0x7E) を介して呼び出されます。[1] ASCII を使用すると、コードは拡張 ASCIIエンコーディングになります。 ASCII からの最も一般的な逸脱は、0x5C ( ASCII ではバックスラッシュ) が EUC-JP では円記号(下記参照) を、EUC-KR では ウォン記号を表すためによく使用されることです。
その他のコード セットは GR を介して呼び出されます (つまり、最上位ビットがセットされます)。したがって、文字の EUC 形式を取得するには、各コーディング バイトの最上位ビットがセットされます (7 ビットのコーディング バイトごとに 128 を追加するか、区点コードの各数字に 160 を追加するのと同等)。これにより、ソフトウェアは文字列内の特定のバイトがISO 646コードに属するのか、拡張コードに属するのかを簡単に区別できます。コード セット 2 と 3 の文字には、それぞれ制御コードSS2 (0x8E) とSS3 (0x8F)がプレフィックスとして付加され、GR を介して呼び出されます。最初のシフト コードを除き、コード セット 1 から 3 の文字に現れる 0xA0 から 0xFF の範囲外のバイトは、有効な EUC コードではありません。[1]
EUCコード自体はISO 2022のアナウンスおよび指定シーケンスを使用していません。[1]ただし、コード仕様は次の4つのISO 2022アナウンスシーケンスのシーケンスと同等であり、意味は次のように分類されます。[1]
固定長形式
上で説明したISO-2022ベースの可変長エンコードは、 EUCパック形式と呼ばれることもあります。これは通常EUCと呼ばれるエンコード形式です。ただし、EUCデータの内部処理では、EUC完全2バイト形式と呼ばれる固定長変換形式が使用される場合があります。これは次のことを表します。[2]
- コード セット 0 は、0x21 ～ 0x7E の範囲の 2 バイトとして設定されます (ただし、最初のバイトは 0x00 になる場合があります)。
- コード セット 1 を 0xA0 ～ 0xFF の範囲の 2 バイトとして指定します (ただし、最初のバイトは 0x80 になる場合があります)。
- コード セット 2 は、0x21 ～ 0x7E (または 0x00) の範囲のバイトと、それに続く 0xA0 ～ 0xFF の範囲のバイトとして表されます。
- コード セット 3 は、0xA0 ～ 0xFF (または 0x80) の範囲のバイトと、それに続く 0x21 ～ 0x7E の範囲のバイトとして表されます。
コードセットが1バイトのみを使用する場合は、0x00と0x80の最初のバイトが使用されます。4バイトの固定長形式もあります。[2]これらの固定長エンコード形式は内部処理に適しており、通常は交換で使用されません。
EUC-JPは、パック形式が「EUC-JP」または「csEUCPkdFmtJapanese」、固定幅形式が「csEUCFixWidJapanese」の両方の形式でIANAに登録されています。[3] HTML5で使用されるWHATWGエンコーディング標準には、パック形式のみが含まれています。[4]
EUC-CN
 | |
| MIME / IANA | GB2312 |
|---|---|
| エイリアス | csGB2312、CN-GB [5] |
| 言語 | 中国語（簡体字）、英語、ロシア語 |
| 標準 | GB 2312 (1980) |
| 分類 | 拡張 ASCII、可変長エンコード、CJK エンコード、EUC |
| 拡張 | アスキー |
| 拡張機能 | 748、GBK、GB 18030、x-mac-chinesesimp |
| 変換/エンコード | GB 2312 |
| 後継者 | GBK、GB 18030 |
EUC-CN [6]は、簡体字中国語文字のGB 2312規格の通常のエンコード形式です。日本語のJIS X 0208やISO-2022-JPの場合とは異なり、GB 2312は通常、7ビットのISO 2022コードバージョンでは使用されませんが、[a] HZと呼ばれる変形形式（ GB 2312テキストをASCIIシーケンスで区切る）がUSENETで使用されることがありました。
ASCII 文字は通常のエンコードで表されます。GB 2312の文字は0xA1 ～ 0xFE の範囲の 2 バイトで表されます。
748 コード
EUC-CN に関連するエンコードは、北京の Founder Technology が開発した WITS 組版システムで使用される「748」コードです (現在は新しい FITS 組版システムに置き換えられています)。748 コードにはGB 2312がすべて含まれていますが、ISO 2022に準拠していないため、真の EUC コードではありません (8 ビットのリード バイトを使用しますが、最上位ビットが設定されている 2 番目のバイトと最上位ビットがクリアされている 2 番目のバイトを区別するため、Big5やその他の ISO 2022 に準拠していないDBCSエンコード システムと構造が似ています)。748 コードの GB2312 以外の部分には、新聞の組版で使用される伝統的な文字や香港の文字、その他のグリフが含まれています。
IBM コード ページ 1380、1381、1382、1383
IBMコード ページ 1381 ( CCSID 1381) は、シングル バイトコード ページ 1115 (CPGID 1115 を CCSID 1115 として) とダブル バイト コード ページ 1380 (CPGID 1380 を CCSID 1380 として) で構成されます。[7]これは、GB 2312 を EUC-CN と同じ方法でエンコードしますが、リード バイト範囲を 0x8C まで拡張し、0x8CE0 から 0x8CFE までの 31 個の IBM 選択文字を追加し、リード バイト 0x8D から 0xA0 までの 1880 個のユーザー定義文字を追加することで、EUC 構造から逸脱しています。[8]
IBM コード ページ 1383 (CCSID 1383) は、シングル バイトコード ページ 367とダブル バイト コード ページ 1382 (CPGID 1382 は CCSID 1382) で構成されます。[9]は、EUC 構造に準拠し、代わりに 0xFEE0 から 0xFEFE までの 31 個の IBM 選択文字を追加し、GB 2312 で使用されていない位置に散在する 1360 個のユーザー定義文字のみを含むという点で異なります。[10]代替 CCSID 5479 [11]は、純粋な EUC-CN コード ページに使用されます。これは、ダブル バイト セットとして CCSID 9574 を使用し、CPGID 1382 を使用しますが、IBM 選択文字とユーザー定義文字は除外されます。[12]
GBK および GB 18030
GBKはGB 2312の拡張です。これは、繁体字中国語文字や日本語でのみ使用される文字など、主にUnicode 1.1から取得したCJK 文字のより大規模な配列を表現できる EUC-CN エンコードの拡張形式を定義します。ただし、より大きなエンコード空間が必要となるため、ASCII バイトが末尾バイトとして表示される場合があり (また、単一シフトに限定されないC1 バイトが先頭バイトまたは末尾バイトとして表示される場合がある)、真の EUC コードではありません。
GBK のバリアントは、Windows コード ページ 936 (簡体字中国語用のMicrosoft Windows コード ページ) および IBM のコード ページ 1386 によって 実装されています。
Unicode ベースのGB 18030文字エンコーディングは、 Unicode全体をエンコードできる GBK の拡張を定義します。ただし、GB 18030としてエンコードされた Unicode は可変長エンコーディングであり、さらに大きなエンコーディング空間が必要になるため、1 文字あたり最大 4 バイトを使用する場合があります。 GBK の拡張であるため、これは EUC-CN のスーパーセットですが、それ自体は真の EUC コードではありません。 Unicode エンコーディングであるため、そのレパートリーはUTF-8などの他のUnicode 変換形式と同じです。
Mac OS 中国語簡体字
EUCの仕組みから外れた他のEUC-CNの変種としては、Mac OSの中国語簡体字（コードページ10008またはとして知られるx-mac-chinesesimp）がある。[13]この文字セットでは、ウムラウト付きのU（ü）、2つの特殊なフォントメトリック文字、改行なしスペース、著作権記号（©）、商標記号（™）、省略記号（...）にそれぞれ、バイト0x80、0x81、0x82、0xA0、0xFD、0xFE、0xFFを使用している。[6]これは、EUC（そのうち、0xFDと0xFEがリードバイトとして定義されている）とGBK（そのうち、0x81、0x82、0xFD、0xFEがリードバイトとして定義されている）の両方で、1バイト文字と見なされるものと2バイト文字の最初のバイトとが異なっている。
この 0xA0、0xFD、0xFE、0xFF の使用は、Apple の Shift_JIS バリアントと一致します。
先頭バイト範囲のこれらの変更に加えて、Mac OS Chinese Simplified の 2 バイト部分のもう 1 つの特徴は、基本 GB 2312-80 セットの 6 行目と 8 行目に 2 つの拡張機能が含まれていることです。[6]これらは「GB 2312 の標準拡張機能」と見なされており、どちらも Apple 独自のものではありません。8 行目の拡張機能はGB 6345.1から取得され、[6]両方の拡張機能はGB/T 12345 (GB 2312 の繁体字中国語版)に含まれています。 [14]また、両方の拡張機能はGB 18030 (GB 2312 の後継)に含まれています。 [15]
EUC-JP
 | |
| MIME / IANA | EUC-JP |
|---|---|
| エイリアス | Unixized JIS (UJIS)、csEUCPkdFmt日本語 |
| 言語 | 日本語、英語、ロシア語 |
| 分類 | 拡張 ISO 646、可変長エンコーディング、CJK エンコーディング、EUC |
| 拡張 | ASCIIまたはISO 646:JP |
| 変換/エンコード | JIS X 0208、JIS X 0212、JIS X 0201 |
| 後継者 | EUC-JISx0213 |
 | |
| エイリアス | EUC-JISx0213 |
|---|---|
| 言語 | 日本語、アイヌ語、英語、ロシア語 |
| 標準 | JIS X 0213 |
| 分類 | 拡張 ASCII、可変長エンコード、CJK エンコード、EUC |
| 拡張 | アスキー |
| 変換/エンコード | JIS X 0213、JIS X 0201（カナ） |
| 先行 | EUC-JP |
EUC-JP は、JIS X 0208、JIS X 0212、JIS X 0201という3 つの日本語文字セット規格の要素を表すために使用される可変長エンコーディングです。このエンコーディングの他の名前には、Unixized JIS (またはUJIS ) やAT&T JISなどがあります。[2] 2022 年 9 月以降、すべての Web ページの 0.1% が EUC-JP を使用しており、[16]日本語で書かれた Web サイトの 2.6% が、この 2 番目に人気のある (日本語の場合) エンコーディングを使用しています[17] （これは、シフト JISの場合より多く、どちらもUTF-8よりはるかに使用されていません）。これは IBM によってコード ページ 954と呼ばれています。[18] [19] Microsoft はこのエンコーディングに 2 つのコード ページ番号を持っています（51932 と 20932）。
このエンコード方式により、同じ文字セット標準に基づくISO-2022-JPで採用されているエスケープ文字を必要とせず、ASCII バイトが末尾バイトとして表示されず ( Shift JISとは異なります) 、7ビット ASCII と 8 ビット日本語を簡単に混在させることができます。
関連する、部分的に互換性のあるエンコーディングであるEUC-JISx0213またはEUC-JIS-2004は、JIS X 0201とJIS X 0213 [20]をエンコードします（Shift_JISベースの Shift_JISx0213と同様）。
EUC-CN や EUC-KR と比較すると、EUC-JP は Unix や Unix 系オペレーティングシステム(HP-UXを除く)では頻繁に使用されるようになりましたが、 Shift_JISまたはその拡張 ( Microsoft WindowsのWindows コードページ 932、クラシック Mac OSのMacJapanese ) を使用する日本のPCやMacintoshシステムではそれほど広く採用されませんでした。そのため、日本語の Web サイトが EUC-JP を使用するか Shift_JIS を使用するかは、作成者が使用する OS によって決まることがよくあります。
文字は次のようにエンコードされます。
- EUC/ ISO 2022準拠のエンコーディングとして、C0 制御文字、スペース、および DEL は ASCII のように表されます。
- ASCII （コードセット 0）のグラフィカル文字は、0x21～0x7Eの範囲の通常の1バイト表現で表されます。EUC-JPのいくつかのバリアントは、ここでJIS X 0201の下半分をエンコードしますが、ほとんどはASCIIをエンコードします。[21] HTML5で使用されるW3C/WHATWGエンコード標準もこれに含まれます。 [22] EUC-JIS-2004も同様です。[20]つまり、0x5Cは通常、UnicodeにU+005C REVERSE SOLIDUS（ASCIIのバックスラッシュ）としてマッピングされますが、Microsoft Windowsなどの特定の日本語ロケールフォントでは、JIS X 0201の下半分との互換性を保つために、U+005Cが円記号として表示されることがあります。[23] [24]
- JIS X 0208（コードセット1）の文字は、0xA1～0xFEの範囲の2バイトで表されます。これは、上位ビットが設定されている点でISO-2022-JPの表現とは異なります。このコードセットには、一部のEUC-JPバリアントのベンダー拡張も含まれる場合があります。EUC-JIS-2004では、JIS X 0213の最初のプレーンがここでエンコードされており、これは事実上、標準JIS X 0208のスーパーセットです。[20]
- JIS X 0201の上位半分の文字(半角カナ、コード セット 2) は 2 バイトで表され、最初のバイトは 0x8E、2 番目のバイトは0xA1 ～ 0xDF の範囲の通常のJIS X 0201表現です。このセットには、一部のバリアントでIBM ベンダー拡張が含まれる場合があります。
- JIS X 0212 (コードセット 3) の文字は、 EUC-JP では 3 バイトで表され、最初のバイトは 0x8F で、次の 2 バイトは 0xA1～0xFE の範囲、つまり上位ビットがセットされた状態になります。標準JIS X 0212に加えて、一部の EUC-JP バリアントのコードセット 3 には、行 83 と 84 に、標準 JIS X 0212 マッピングがない IBM のシフト JIS 拡張の文字を表す拡張機能が含まれる場合もあります。これは、IBM 自身が定義したレイアウトとOSFが定義したレイアウトのどちらかでコード化できます。[25] [26] EUC-JIS-2004 では、 JIS X 0213の第 2 プレーンがここでコード化され、[20]標準JIS X 0212で割り当てられた行と衝突しません。[27] Pythonで使用されているようなEUC-JIS-2004の実装の中には、このセットでJIS X 0212とJIS X 0213プレーン2の文字の両方を許可しているものもあります。 [27]
EUC-JPのベンダー拡張（例えば、Open Software Foundation、IBM、NECなど）は、無効なEUCシーケンス（EUC-CNやEUC-KRの一般的な拡張など）を使用するのではなく 、個々のコードセット内に割り当てられることが多かった[25] [26] 。
ただし、ベンダー固有のエンコーディングの中には、 GR 上のJIS X 0208をエンコーディングしているため、EUC-JP と部分的に互換性があるものもありますが、パックされた EUC 構造には従っていません。多くの場合、これらには EUC-JP の単一シフトが使用されておらず、Super DEC Kanji を除いて、EUC-JP の直接的な拡張ではありません。
DEC漢字
Digital Equipment Corporation は、 EUC パック形式に部分的に準拠しているが、完全な 2 バイト形式にも多少似ている EUC-JP の 2 つの変種を定義しています。「DEC Kanji」エンコーディングの全体的な形式は、固定長 (完全な 2 バイト) EUC にほぼ対応していますが、コード セット 0 は、左側にヌル バイトを埋め込む必要はありません (パック形式と同様)。[28] JIS X 0208 は、通常どおり、コード セット 1 に使用されます。コード セット 2 (半角カタカナ) は存在しません。コードセット3は2バイト固定幅形式（つまりシフトバイトがなく、最初の上位ビットのみが設定されている）のようにエンコードされていますが、JIS X 0212に指定されているのではなく、2バイトのユーザー定義文字に使用されます。 [28]基本的な「DEC Kanji」エンコードでは、コードセット3の最初の31行のみがユーザー定義文字に使用されます。行32から94は、コードセット1の未使用の行と同様に予約されています。[29]
「スーパーDEC漢字」エンコーディングは、「DEC漢字」エンコーディングとパック形式EUCの両方のコードを受け入れ、合計5つのコードセットになります。[28]また、ユーザー定義のコードセット全体と、JIS X 0208およびJIS X 0212コードセットの末尾の未使用の行（それぞれ行85〜94と78〜94）をユーザー定義文字に使用できます。[29]
HP-16
ヒューレット・パッカードは「HP-16」と呼ばれるエンコードを定義しています。これは、シフトJISの変形である「HP-15」エンコードに付随しています。HP-16は、EUC-JPと同じバイトを使用してJIS X 0208をエンコードしますが、単一のシフトコードは使用せず（したがって、コードセット2と3は省略されます）、パック形式のEUC構造に従わない3つのユーザー定義領域を追加します。[28]
- 先頭バイト 0xA1～C2、末尾バイト 0x21～7E
- 先頭バイト 0xC3～E3、末尾バイト 0x21～3F
- 先頭バイト 0xC3～E1、末尾バイト 0x40～64
イキス
Data Generalが使用するIKIS（Interactive Kanji Information System）エンコーディングは、EUC-JPからシフトを1つ除いたものに似ており、コードセットは0と1のみである。半角カタカナは、代わりにJIS X 0208の8行目に含まれており（1983年に標準に追加されたボックス描画文字と衝突する）、JIS X 0208の9行目から12行目は、ユーザー定義文字に使用される。[28] [29]
EUC-JP の EBCDIC への適応
KEIS (Kanji-processing Extended Information System) は日立製作所が使用するEBCDICエンコーディングであり、[29]シフトシーケンスを使用して2バイト文字 (DBCS-Hostエンコーディング) が含まれ、状態のあるエンコーディングになっています。具体的には、シーケンスは1バイトモードに切り替わり、シーケンスは2バイトモードに切り替わります。[b]ただし、JIS X 0208文字は、EUC-JPでエンコードするのと同じバイトシーケンスを使用してエンコードされます。このため、表意文字スペースのエンコーディングが重複し、DBCS-Hostコード構造では0x4040、EUC-JPでは0xA1A1になります。これは、JIS X 0208より前のバージョンに基づいてレイアウトされているIBMの日本語用DBCS-Hostエンコーディングとは異なります。先頭バイトの範囲は0x59まで拡張され、そのうち0x81～A0の先頭バイトはユーザー定義文字に指定され、[28]残りは漢字と非漢字の両方を含む企業定義文字に使用されます。[29]0x0A 0x410x0A 0x42
JEF（日本語処理拡張機能）[29]は、富士通FACOMメインフレームで使用されているEBCDICエンコーディングであり、富士通PCで使用されているFMR（シフトJISの変形）とは対照的です。 KEISと同様に、JEFは状態のあるエンコーディングであり、シフトシーケンス（で0x29シングルバイトモードに切り替え、で0x28ダブルバイトモードに切り替え）を使用してダブルバイトDBCSホストモードに切り替えます。[30]また、KEISと同様に、JIS X 0208コードはEUC-JPと同じように表されます。[28]リードバイトの範囲は0x41まで拡張され、0x80〜0xA0はユーザー定義用に指定されています。リードバイト0x41〜0x7Fには区点の目的で行番号101〜163が割り当てられていますが、行162（リードバイト0x7E）は使用されません。[28] [29] 101行目から148行目は拡張漢字に使用され、149行目から163行目は拡張非漢字に使用されます。[29]
EUC-KR
 EUC-KRコード構造 | |
| MIME / IANA | EUC-KR |
|---|---|
| エイリアス | ワンソン、IBM-970 |
| 言語 | 韓国語、英語、ロシア語 |
| 標準 | KS X 2901 (KS C 5861) |
| 分類 | 拡張 ISO 646、可変長エンコーディング、CJK エンコーディング、EUC |
| 拡張 | ASCIIまたはISO 646:KR |
| 拡張機能 | Mac OS 韓国語、IBM-949、統一ハングルコード (Windows-949) |
| 変換/エンコード | KS X 1001 |
| 後継者 | 統一ハングルコード（ウェブ標準） |
EUC-KRは、 KS X 1001（旧KS C 5601）[31] [32]とISO 646 :KR（KS X 1003、旧KS C 5636）またはASCII （変種によって）の2つのコード化文字セットを使用して韓国語のテキストを表す可変長エンコーディングです。KS X 2901（旧KS C 5861）はエンコーディングを規定し、RFC 1557はそれをEUC-KRと呼んでいます。
KS X 1001 (G1、コード セット 1) から抽出された文字は GR (0xA1–0xFE) で 2 バイトとしてエンコードされ、KS X 1003または ASCII (G0、コード セット 0) からの文字は GL (0x21–0x7E) で 1 バイトを占めます。
韓国では通常、ワンソン（韓国語： 완성、RR： Wanseong、文字通り、 事前に合成された[33]）と呼ばれています。IBMは、ダブルバイトコンポーネントをコードページ971と呼び、[34] EUC-KRとASCIIをコードページ970と呼んでいます。[35] [36] [37]これは、 Microsoftによってコードページ20949（「韓国語ワンソン」）[38] [39]およびコードページ51949（「EUC韓国語」）として実装されています。[38]
2024年4月現在[アップデート]、世界中のウェブページのうち0.08%未満がEUC-KRを使用していますが[40]、韓国のウェブページの4.6%がEUC-KRを使用しています[41]。拡張機能を含めると、韓国では3つの主要プラットフォーム（ macOS 、その他のUnix系OS、Windows） すべてで最も広く使用されているレガシー文字エンコーディングですが、特にLinuxとmacOSで人気が高まるにつれて、その使用はゆっくりとUTF-8に移行しています。
他のほとんどのエンコーディングと同様に、UTF-8は現在、新しい用途では優先されており、プラットフォームとベンダー間の一貫性の問題を解決しています。
統一ハングルコード
EUC-KRの一般的な拡張は、統一ハングルコード（통합형 한글 코드 ; Tonghabhyeong Hangeul Kodeu、[42]または통합 완성형 ; Tonghab Wansunghyung）であり、これはMicrosoft Windowsのデフォルトの韓国語コードページである。これは、Microsoftによってコードページ番号949、IBMによって1261 [43]または1363 [44]が割り当てられている。IBMのコードページ949は、別の無関係なEUC-KR拡張である。
統一ハングルコードはEUC構造に準拠していないコードを使用して追加の音節ブロックを組み込むことでEUC-KRを拡張し、JohabとUnicodeで利用可能な合成音節ブロックのカバレッジを完了します。HTML5で使用されるW3C / WHATWGエンコーディング標準は、統一ハングルコード拡張をEUC-KRの定義に組み込んでいます。[45]
Mac OS 韓国語 (HangulTalk)
EUC-KRをサブセットとして組み込んだ他のエンコーディングには、Mac OS韓国語スクリプト（コードページ10003またはとして知られるx-mac-korean）があります。 [13]これは、古典的なMac OSの韓国語版であるHangulTalk（MacOS-KH）で使用されていました。これは、当時韓国でApple Macintoshコンピューターの正規代理店であったElex Computer（ 일렉스 ）によって開発されました。 [46] [29]
HangulTalk は、EUC-KR GR プレーン内の未使用のスペース (末尾バイト 0xA1–0xFE) と、プレーンの外側の非 EUC コード (末尾バイト 0x41–0xA0) の両方に、0xA1 から 0xAD までの先頭バイトを持つ拡張文字を追加します。これらの文字の一部は、フォントスタイルに依存しない様式化されたディンバットです。[29]これらの文字の多くは正確な Unicode マッピングを持たず、Apple ソフトウェアはこれらのケースを結合シーケンス、ラウンドトリップの目的で修飾子として追加された私用文字による近似マッピング、または私用文字にさまざまな方法でマッピングします。[47]
Appleは、EUC-KRプレーンの外側で、追加の文字として特定の1バイトコードも使用しています。必須のスペースには0x80、ウォン記号（₩）には0x81 、ダッシュ（–）には0x82、著作権記号（©）には0x83、ワイドアンダースコア（＿）には0x84、省略記号（...）には0xFFです。[47]これらの追加の1バイトコードはいずれもプレーンEUC-KRのリードバイト範囲内にはありませんが（AppleのEUC-CNへの拡張とは異なります。上記を参照）、一部は統合ハングルコードのリードバイト範囲内にあります（具体的には、0x81、0x82、0x83、0x84）。
EUC-KP
KS X 1001と同様に、北朝鮮のKPS 9566規格は通常EUC形式で使用され、このような文脈ではEUC-KPと呼ばれることもあります。[48]この規格の最近の版では、統一ハングルコードと同様に、非EUCの2バイトコードを使用した文字でEUC表現が拡張されています。[49]
EUC-TH
ISO/IEC 8859シリーズなどの特定のシングルバイトエンコーディングは技術的にはEUC構造に準拠していますが、EUCとしてラベル付けされることはほとんどありません。ただし、SolarisではTIS-620のラベルとしてeucTH使用されています。[50]
EUC-TW
EUC-TW は、ASCII とCNS 11643の 16 プレーン(各プレーンは 94×94)をサポートする可変長エンコーディングです。これは、台湾で使用される繁体字中国語文字ではほとんど使用されないエンコーディングです。Big5 のバリアントはEUC-TW よりもはるかに一般的ですが、Big5 は CNS 11643漢字の最初の 2 つのプレーンのみをエンコードし、UTF-8が一般的になりつつあります。
- EUC/ ISO 2022エンコーディングでは、C0 制御文字、ASCII スペース、および DEL は ASCII と同様にエンコードされます。
- ASCII のグラフィカル文字 (G0、コード セット 0) は、通常の 1 バイト表現 (0x21～0x7E) として GL でエンコードされます。
- CNS 11643 プレーン 1 (コード セット 1) の文字は、GR の 2 バイト (0xA1～0xFE) としてエンコードされます。
- CNS 11643 (コード セット 2) のプレーン 1 から 16 の文字は、4 バイトとしてエンコードされます。
- 最初のバイトは常に 0x8E (シングルシフト 2) です。
- 2 番目のバイト (0xA1～0xB0) はプレーンを示し、その番号はそのバイトから 0xA0 を減算することで得られます。
- 3 番目と 4 番目のバイトは GR (0xA1～0xFE) です。
CNS 11643 のプレーン 1 は、コード セット 1 とコード セット 2 の一部として 2 回エンコードされていることに注意してください。
参照
注記
- ^ GB 2312をサポートする 7 ビット ISO 2022 コード バージョンには、ISO-2022-CN (シフト コードあり) とISO-2022-JP-2 (シフト コードなし)が含まれ、どちらも他の非 ASCII セットもサポートします。
- ^これらのシーケンスは、DEC [30]によって示された16進形式と、Lunde [28]によってリストされた10進形式 (および) と一致します。Lunde は両方の16進形式を としてリストしていますが、これは誤りであると思われます。
10 6510 660xA0 0x42
参考文献
- ^ abcd IBM . 「文字データ表現アーキテクチャ (CDRA)」. IBM . pp. 157–162.
- ^ abc Lunde, Ken (2008). CJKV 情報処理: 中国語、日本語、韓国語、ベトナム語のコンピューティング。O'Reilly。pp. 242–244。ISBN 9780596800925。
- ^ 「文字セット」。IANA。
- ^ 「4.2. 名前とラベル」。エンコード標準。WHATWG。
- ^ 朱、海峰。胡、道園。王志関。カオ、ティエンチュウ。チャン・ウェンチュン。マーク・クリスピン（1996年3月）。インターネットメッセージの中国語文字エンコード。ネットワークワーキンググループ。土井: 10.17487/RFC1922。RFC1922。 情報。セクション 2.1: CN-GB)。
- ^ abcd 「Mac OS 簡体字中国語エンコードから Unicode 3.0 以降へのマップ (外部バージョン)」。Apple, Inc.
- ^ 「S-Ch PC Data mixed (IBM GB) including 1880 UDC, 31 IBM selected characters and 5 SAA SB characters」。IBM Globalization: Coded character set identifiers。IBM 。2016-03-26時点のオリジナルよりアーカイブ。
- ^ 「IBM 簡体字中国語グラフィック文字セット」(PDF) . IBM . 1993. CH 3-3220-130 1993-11.
- ^ 「CCSID 1383: S-Ch EUC G0 セット、ASCII G1 セット、GB 2312-80 セット (1382)」。IBMグローバリゼーション: コード化文字セット識別子。IBM。2016年 3 月 28 日時点のオリジナルよりアーカイブ。
- ^ 「 IBM拡張 UNIX コード (EUC) 用簡体字中国語グラフィック文字セット」(PDF)。IBM 。1994 年。CH 3-3220-132 1994-06。
- ^ 「CCSID 5479: S-Ch EUC G0 セット、ASCII G1 セット、GB 2312-80 セット (5478)」。IBMグローバリゼーション: コード化文字セット識別子。IBM。2016年 3 月 27 日のオリジナルからアーカイブ。
- ^ 「CCSID 9574 : S-Ch DBCS PC GB 2312-80 セット、IBM 選択 31 および UDC 1360 を除く。T-Ch 2022-CN TCP でも使用」。IBMグローバリゼーション: コード化文字セット識別子。IBM。2016年 3 月 27 日のオリジナルからアーカイブ。
- ^ ab "Encoding.WindowsCodePage プロパティ – .NET Framework (現在のバージョン)". MSDN . Microsoft.
- ^ ケン・ルンデ(1998)。 「CJKV情報処理」。付録 F: GB/T 12345 (PDF)。オライリーメディア。ISBN 9781565922242。
- ^ 中国標準化管理局 (SAC) (2005-11-18)。GB 18030-2005: 情報技術 - 中国語コード化文字セット。
- ^ 「ウェブサイトの文字エンコーディングの使用に関する歴史的傾向」W3Techs。
- ^ 「日本語を使用するウェブサイトにおける文字エンコーディングの分布」w3techs.com . 2023年11月1日閲覧。
- ^ 「CCSID 954 情報文書」。2016 年 3 月 27 日時点のオリジナルよりアーカイブ。
- ^ 国際 Unicode コンポーネント (ICU)、ibm-954_P101-2007.ucm、2002-12-03
- ^ abcd 「JIS X 0213 コードマッピングテーブル」 x0213.org.
- ^ 「日本語 EUC から Unicode への変換における曖昧さ (非規範的)」。XML 日本語プロファイル。W3C。
- ^ 「EUC-JP デコーダー」。エンコード標準。WHATWG。「バイトが ASCII バイトの場合、値がバイトであるコード ポイントを返します。」
- ^ 「3.1.1 問題の詳細」。Unicode およびユーザー/ベンダー定義文字の問題と解決策。The Open Group Japan。1999 年 2 月 3 日時点のオリジナルよりアーカイブ。2019年 8 月 14 日閲覧。
- ^ Kaplan, Michael S. (2005-09-17). 「バックスラッシュがバックスラッシュでないのはいつですか?」
- ^ ab 「4.2 eucJP-openとUCS間のコードセット変換規則の見直しプロセス」。Unicodeおよびユーザー/ベンダー定義文字の問題と解決策。The Open Group Japan。 1999年2月3日時点のオリジナルよりアーカイブ。 2019年8月14日閲覧。
- ^ ab Lunde, Ken (2009年1月13日). 「付録J: 日本語文字セット」(PDF) . CJKV情報処理(第2版). ISBN 978-0-596-51447-1。
- ^ ab Chang, Hyeshik (2021 年 12 月 8 日). 「CJKCodecs の Readme」. cPython . Python Software Foundation.
- ^ abcdefghi Lunde, Ken (2009 年 1 月 13 日). 「付録 F: ベンダーのエンコード方式」(PDF) . CJKV 情報処理(第 2 版). ISBN 978-0-596-51447-1。
- ^ abcdefghij Lunde, Ken (2009). 「付録 E: ベンダー文字セット標準」(PDF) . CJKV 情報処理: 中国語、日本語、韓国語、ベトナム語コンピューティング(第 2 版).セバストポル、カリフォルニア州: O'Reilly . ISBN 978-0-596-51447-1。
- ^ ab 「2: コードセットとコードセット変換」。DIGITAL UNIX 日本語機能使用のためのテクニカル リファレンス。Digital Equipment Corporation、Compaq。[リンク切れ ]
- ^ 「KS X 1001:1992」（PDF）。
- ^ 韓国標準局 (1988-10-01). KS C 5601:1987 (PDF) . ITSCJ/ IPSJ . ISO-IR -149.
- ^ Lunde, Ken (2009). 「第3章: 文字セット標準」. CJKV 情報処理. 「O'Reilly Media, Inc.」. p. 146. ISBN 978-0596514471。
- ^ 「IBM Globalization – Coded character set identifiers – CCSID 971」。2014年11月30日時点のオリジナルよりアーカイブ。2021年9月3日閲覧。
- ^ 「CCSID 970」。IBM Globalization。IBM。2014年12月1日時点のオリジナルよりアーカイブ。
- ^ "ibm-970_P110_P110-2006_U2 (別名 euc-kr)"。Converter Explorer – ICU デモ。Unicode の国際コンポーネント。
- ^ 国際 Unicode コンポーネント (ICU)、ibm-970_P110_P110-2006_U2.ucm、2002-12-03
- ^ ab 「コード ページ識別子」。Windows デベロッパー センター。Microsoft。2021 年 1 月 7 日。
- ^ Julliard, Alexandre (2021年3月11日). 「dump_krwansung_codepage: KSX1001ファイルから韓国語のWansungテーブルを作成」。make_unicode : ftp.unicode.orgの説明からコードページ.cファイルを生成する。Wineプロジェクト。
- ^ 「ウェブサイトにおけるEUC-KRの使用統計と市場シェア、2024年4月」。w3techs.com 。 2024年4月9日閲覧。
- ^ 「.kr を使用する Web サイト間の文字エンコーディングの分布」。w3techs.com。2024年 4 月 9 日閲覧。
- ^ “한글 코드에 대하여” (韓国語). W3C。 2013 年 5 月 24 日にオリジナルからアーカイブされました。2019-01-07に取得。
- ^ IBMが作成し、 International Components for Unicodeソース ツリーに含まれているファイルである ucnv_lmb.cpp では、先頭バイト 0x11 は の定義の後に「Korean: ibm-1261」を参照しているとコメントされており、ファイルの後半の配列で ICU コーデックにマッピングされています。
ULMBCS_GRP_KO"windows-949"OptGroupByteToCPName - ^ 「コード化文字セット識別子 - CCSID 1363」、IBM Globalization、IBM、2014 年 11 月 29 日のオリジナルからアーカイブ
- ^ "5. インデックス (§ インデックス EUC-KR)"、エンコーディング標準、WHATWG
- ^ Gil, Hojin. 「HangulTalk: Mac 向けデファクトスタンダードハングル環境」。Macintoshでハングルを使用するためのガイド。
- ^ ab Apple (2005-04-05). 「Mac OS の韓国語エンコードから Unicode 3.2 以降へのマップ (外部バージョン)」。Unicode Consortium。
- ^ Kim, Kyongsok (2002-11-30). 「3 方向相互参照テーブル - KS X 1001、KPS 9566、および UCS」(PDF)。ISO /IEC JTC 1/SC 2 /WG 2 N2564。[注記: 文書に付随する表へのリンクを更新しました: [1] [2]]
- ^ Chung, Jaemin (2018-01-05). 「KPS 9566 の最新バージョンに関する情報 (KPS 9566-2011?)」(PDF) . UTC L2/18-011。
- ^ IBM (2001-05-07). 「solaris-eucTH-2.7」. icu-data . Unicode Consortium / International Components for Unicode .
外部リンク
- EUC-JP コードセット表 (ASCII と半角部分を除いたもの)
- コードページ識別子
- GB18030-2000 – 新しい中国国家規格（その後、GB18030 -2022 に更新されましたが、これは（わずかに）互換性がありません）
- 中国の新世代プリプレスソフトウェア – 748コードについて言及
- EUC-TW コードの説明 (中国語)
- Perl Encode モジュールの EUC-JISX0213 のマニュアルページ
- エスケープシーケンスで使用されるコード化文字セットの国際登録 - セクション 2.4 (p. 14f.) 中国、日本、韓国、北朝鮮、台湾のコード化文字セット (ISO/IEC)
- 中国語、日本語、韓国語の文字セット標準とエンコードシステム