シフトJIS

シフトJIS（別名SJIS、MIME名Shift_JIS 、 SolarisのコンテキストではPCKとして知られる） ^{[2] [3]は、}日本語の文字エンコーディングであり、もともと日本のASCII株式会社[ ^b]がマイクロソフトと共同で開発し、 JIS X 0208付録1として標準化された。

シフト JIS は、 JIS規格JIS X 0201 :1997 ( 1 バイト文字の場合) およびJIS X 0208 :1997 ( 2 バイト文字の場合)で定義された文字セットに基づいています。

2024年9月現在^[update]、調査対象のウェブページの0.3%がShift JIS（実際にはそのスーパーセットであるWindows-31Jエンコーディングとしてデコード）を使用しており、2014年7月の1.3%から減少しています。^[4] Shift JISは日本語のウェブサイトで2番目に多く宣言されている文字エンコーディングで、.jpドメインのサイトの4.9%で使用されています。一方、UTF-8は日本語のウェブサイトの95.1%で使用されています。^{[5] [6]}

シフト JIS は、シングルバイト エンコーディングJIS X 0201 :1997の拡張であり、JIS X 0201で割り当てられていないコード ポイントを使用して、ダブルバイトJIS X 0208 :1997文字セットをエンコードします。ダブルバイト文字の先頭バイトは、シングルバイト範囲0xA1 から 0xDF 内の 64 個の半角カタカナ文字の周囲に「シフト」されます。

0x00から 0x7F までのシングルバイト文字は、ASCII 文字セットのバックスラッシュとチルダの代わりに0x5C の円記号 (U+00A5) と0x7E のオーバーライン(U+203E) がそれぞれ使用されることを除き、 ASCIIエンコードと一致します (これらの ASCII からの逸脱は、JIS X 0201と一致しています)。0xA1 から 0xDF までのシングルバイト文字は、 JIS X 0201にある半角カタカナ文字にマップされます。

2 バイト文字の場合、最初のバイトは常に 0x81 から 0x9F の範囲、または 0xE0 から 0xEF の範囲です (これらの範囲はJIS X 0201では割り当てられていません)。最初のバイトが奇数の場合、2 番目のバイトは 0x40 から 0x9E の範囲である必要があります (ただし、0x7F は不可)。最初のバイトが偶数の場合、2 番目のバイトは 0x9F から 0xFC の範囲である必要があります。

シフト JIS では、2 バイト文字の最初のバイトが高ビット セット (0x80～0xFF) になることのみが保証され、2 番目のバイトの値は高かったり低かったりする可能性があります。バイト値 0x40～0x7E がコード ワードの 2 番目のバイトとして出現すると、同じコードが ASCII 文字に使用されるため、シフト JIS の信頼性の高い検出が困難になります。同じバイト値が最初のバイトまたは 2 番目のバイトになる可能性があるため、単純な検索では文字の 2 番目のバイトと次の文字の最初のバイトが一致する可能性があり、これは有効なシフト JIS 文字ではないため、文字列検索は困難です。文字列検索アルゴリズムは、シフト JISに合わせてカスタマイズする必要があります。

Shift JIS はJIS X 0201シングルバイト エンコーディングと完全に下位互換性があるため、有効なJIS X 0201文字列は Shift JIS でも有効です。

JIS X 0208の2バイト文字は、Shift JISでエンコードするためには変換する必要がある。2バイトのJIS X 0208シーケンスの場合、^[c]対応するShift JISバイトへの変換は次のようになる。 ${\displaystyle j_{1}j_{2}}$${\displaystyle s_{1}s_{2}}$

${\displaystyle s_{1}={\begin{cases}\left\lfloor {\frac {j_{1}+1}{2}}\right\rfloor +112&{\mbox{if }}33\leq j_{1}\leq 94\\\left\lfloor {\frac {j_{1}+1}{2}}\right\rfloor +176&{\mbox{if }}95\leq j_{1}\leq 126\end{cases}}}$

${\displaystyle s_{2}={\begin{cases}j_{2}+31+\left\lfloor {\frac {j_{2}}{96}}\right\rfloor &{\mbox{if }}j_{1}{\mbox{ is odd }}\\j_{2}+126&{\mbox{if }}j_{1}{\mbox{ is even }}\end{cases}}}$

競合する 8 ビット形式EUC-JPは、1 バイトの半角カタカナをサポートしていませんが、すべての上位ビットセット バイトが 2 バイト文字の一部であり、ASCII 範囲のすべてのコードが 1 バイト文字を表すため、JIS X 0208コード ポイントとの間でよりクリーンで直接的な変換が可能になります。

Shift JISで記述された HTML は、誤って ASCII としてタグ付けされ、文字セット タグがドキュメント自体の先頭にある場合でも、ある程度は解釈できます。これは、HTML タグとフィールドの重要な開始と終了 ( 、、、、、、)<がASCIIと同じバイトとしてエンコードされ、それらのバイトが 2 バイト シーケンスで表示されないためです。 >/"&;

シフト JIS は、 Cなどのプログラミング言語の文字列リテラルで使用できますが、いくつか考慮すべき点があります。まず、エスケープ文字0x5C (通常はバックスラッシュ) は、シフト JIS では半角円記号(¥)です。プログラマーがこれを認識している場合は、 (ハローワールドはHello, worldで、¥n はエスケープ シーケンス)を使用できます(I/O システムがシフト JIS出力をサポートしている場合)。次に、 0x5C バイトは、2 バイト文字の 2 番目のバイトとして出現すると問題が発生します。これは、別の 0x5C が続かない限り、エスケープ シーケンスとして解釈され、解釈が混乱するためです。 printf("ハローワールド¥n");

Shift JIS にはさまざまなバージョンが存在します。拡張できる領域は 2 つあります。

まず、JIS X 0208 は、Shift JIS でエンコードされた 94×94 のスペース全体を埋めるわけではないため、ここにはさらに多くの文字を配置する余地があります。これらは、Shift JIS 自体ではなく、実際には JIS X 0208 の拡張です。

第二に、シフト JIS には、 JIS X 0201およびJIS X 0208に必要なエンコード空間よりも多くのエンコード空間があり(以下の § シフト JIS バイト マップを参照)、この空間はさらに多くの文字 (シングルバイト文字またはダブルバイト文字) に使用できます。

最も一般的な拡張は、Windows コード ページ 932 ( IBM の Shift JIS 拡張にも使用されるCCSID ) であり、これは Shift JIS とは別に、 IANAに「Windows-31J」として登録されています^[1]。これは Microsoft によって普及されましたが、Microsoft 自身は Windows-31J という名前を認識しておらず、そのバリエーションを「shift_jis」と呼んでいます^{[7] [8]。IBM}のコード ページ 943 には、Microsoft のコード ページ 932 と同じ 2 バイト コードが含まれていますが、IBM のコード ページ 932 には拡張機能が少なく (Microsoft が NEC から取り入れたものを除く)、1983 標準の文字バリアントのスワップを実装するのではなく、1978 年版 JIS X 0208 の文字順序が保持されています^[9]。

Windows-31Jは、US-ASCIIに従って、 0x5CをU+005C REVERSE SOLIDUS（バックスラッシュ）に、0x7EをU+007E TILDEに割り当てます。^[10]ただし、Windowsのほとんどのローカライズされたフォントでは、JIS X 0201互換性のためにU+005Cが円記号として表示されます。^{[11] [12]}これには、「NEC特殊文字（行13）、NEC選択のIBM拡張（行89〜92）、IBM拡張（行115〜119）」^{[1]といういくつかの拡張機能が含まれており、さらに}エンドユーザーの定義用にいくらかのエンコード空間が確保されています。^[13]

Windowsコードページ932は、 HTML5で使用されるW3C / WHATWGエンコード標準で使用されているバージョンであり、JIS X 0208の表にWindows-31Jの「以前はIBMとNECの独自の拡張機能」が含まれています。^[14]また、「展開されたコンテンツと互換性がある」という意図で、「shift_jis」というラベルを「windows-31j」と交換可能に扱います。^[15]

古典的なMac OSに由来するShift-JISのバージョン（x-mac-japanese、コードページ10001 ^[7]またはMacJapaneseとして知られる）では、チルダに0x7E（ここで上線を割り当てるJIS X 0201ではなく、US-ASCIIに従う）が割り当てられましたが、円記号には0x5C（JIS X 0201と標準Shift JISと同じ）が割り当てられていました。また、JIS X 0201を拡張し、バックスラッシュに0x80（US-ASCIIの0x5Cに相当）、ノーブレークスペースに0xA0、著作権記号に0xFD、商標記号に0xFE、半角の水平省略記号に0xFFを割り当てました。また、拡張2バイト文字も追加されました。これには、 Shift_JIS範囲0xEB41～0xED96の53の縦書き表示形式（その標準形式からJIS行84行下）と、Shift_JIS範囲0x8540～0x886Dの260の特殊文字が含まれる。^{[16]この変種は}KanjiTalkバージョン7で導入された。^[17]

ただし、一部の Mac OS 書体では他のバリアントが使用されていました。Sai Mincho と Chu Gothic は MacJapanese の「PostScript 」バリアントを使用しており、これには追加の縦書き表示形式と、 NEC 特殊文字に基づいた異なる拡張特殊文字セットが含まれており、その一部はフォントのプリンターバージョンでのみ使用できました。^[16] System 7.1の丸ゴシックと本明朝の古いバージョンでは、縦書き表示形式を標準形式から 10 (84 ではなく) JIS 行下にエンコードし、特殊文字拡張を含んでいませんでしたが、これは後に変更されました。^{[16] [18]} KanjiTalk バージョン 6 で使用される一般的なバリアントでは、縦書き表示形式を 10 行下に配置し、行 13 に NEC 拡張レイアウトを使用しました。^[19]

新しいJIS X 0213規格では、Shift_JISの拡張版としてShift_JISx0213（以前の規格ではShift_JIS-2004 ）が定義されています。これは標準Shift JISのスーパーセットです。^[20]

Shift_JIS-2004では、JIS X 0213の両平面に割り当てられた行を表現するために、以下のコードポイントのマッピング方法を採用している。^[21]

${\displaystyle s_{1}={\begin{cases}\left\lfloor {\frac {k+257}{2}}\right\rfloor &{\mbox{if }}m=1{\mbox{ and }}1\leq k\leq 62\\\left\lfloor {\frac {k+385}{2}}\right\rfloor &{\mbox{if }}m=1{\mbox{ and }}63\leq k\leq 94\\\left\lfloor {\frac {k+479}{2}}\right\rfloor -\left\lfloor {\frac {k}{8}}\right\rfloor \times 3&{\mbox{if }}m=2{\mbox{ and }}k=1,3,4,5,8,12,13,14,15\\\left\lfloor {\frac {k+411}{2}}\right\rfloor &{\mbox{if }}m=2{\mbox{ and }}78\leq k\leq 94\end{cases}}}$

${\displaystyle s_{2}={\begin{cases}t+63&{\mbox{if }}k{\mbox{ is odd and }}1\leq t\leq 63\\t+64&{\mbox{if }}k{\mbox{ is odd and }}64\leq t\leq 94\\t+158&{\mbox{if }}k{\mbox{ is even }}\end{cases}}}$

上記で、は 2 バイトの Shift_JIS-2004 シーケンス、は平面(面、men、surface)番号 (1 または 2)、は行(区、ku、ward)番号 (1-94)、はセル(点、ten、point)番号 (1-94) です。ku番号とten番号はそれぞれ、およびに相当します。ここで、 は特定の平面を参照する 2 バイトの JIS シーケンスです。 ${\displaystyle s_{1}s_{2}}$${\displaystyle m}$${\displaystyle k}$${\displaystyle t}$${\displaystyle j_{1}-32}$${\displaystyle j_{2}-32}$${\displaystyle j_{1}j_{2}}$

同じ文字セットは、 EUC-JP ベースの対応文字 であるEUC-JIS-2004でも表すことができます。

追加された文字の中には、Web標準で使用されているWindowsコードページ932（上記参照）など、一般的なShift JIS拡張機能と衝突するものもあります。たとえば、JIS X 0213の第1面89行目（硃、硎、硏...で始まる）^[22]と、Web標準で定義されているJIS X 0208の変形の89行目（纊、褜、鍈...で始まる）^[23]を比較してください。さらに、一部の文字はBMPを超えてUnicode文字にマッピングされます。

リードバイト0xF5から0xF9までのスペース（JIS X 0208で使用される領域外）は、日本の携帯電話事業者が電子メールで使用する絵文字として使用されています。^[24] KDDIはさらに進んで、リードバイト0xF3と0xF4のスペースにさらに数百の絵文字を定義しています。^[25]

さらに、Shift JIS には、あちこちの文字が変更された小さなバリエーションが数多く作成されています。これらの拡張機能とバリアントのほとんどはIANA に登録されていないため、拡張機能を使用すると混乱が生じる可能性が高くなります。

バリアントは、 Cや類似のプログラミング言語のソース コード文字列で Shift JIS をエンコードする場合に使用する必要があります。このバリアントは、2 バイト文字の 2 番目のバイトとして 0x5C バイトが出現した場合は 2 倍にしますが、単一の "¥" (ASCII: "\") 文字として出現した場合は 0x5C バイトを 2 倍にしません。これは、0x5C がエスケープ シーケンスの始まりであるためです。これを処理する最良の方法は、Shift JIS をこのようにエンコードする特別なエディターを使用することです。

以下の表は、標準シフト JIS ( JIS X 0208:1997に準拠) でエンコードされたストリーム内の各バイトの詳細な意味を示しています。

JIS X 0208:1997でシングルバイトコードや先頭バイトに使用されないバイトの一部は、特定の拡張機能によって使用され、その結果、以下の表に詳細を示すレイアウトになります。

• 日本語とコンピュータ
• コード ページ 932 (Microsoft Windows)
• 文字化け
• シフトJISアート

• Shift-JIS Kanji Table – a table of the non-ASCII part of the codeset
• "Windows Codepage 932". Microsoft. May 1, 2005. Archived from the original on 2008-03-07. – Microsoft's definition
• Forms of Shift-JIS in ICU (International Components for Unicode)
  • ibm-942 (sjis78)
  • ibm-943 (contains the \u00A5 ↔ \x5C mapping)
  • Shift JIS (contains the \u005C ↔ \x5C mapping)