Unicode互換文字

UnicodeとUCSでは、互換文字とは、他の（多くの場合は古い）標準との双方向の変換性を維持するためだけにエンコードされた文字です。 ^[1] Unicode用語集には次のように書かれています。

他の規格との互換性と双方向の変換可能性がなければエンコードされなかったであろう文字^[2]

互換性は名前で使用されていますが、プロパティとしてはマークされていません。ただし、定義は用語集で示されているよりも複雑です。 Unicode コンソーシアムによって文字に与えられているプロパティの 1 つに、文字の分解または互換性分解があります。 5,000 を超える文字には、その互換文字を 1 つ以上の他の UCS 文字にマッピングする互換性分解があります。 文字の分解プロパティを設定することにより、Unicode はその文字を互換文字として確立します。 これらの互換性指定の理由はさまざまであり、以下でさらに詳しく説明します。分解という用語は、文字の分解が場合によってはシングルトンになる可能性があるため、混乱を招くことがあります。 このような場合、1 つの文字の分解は、単にほぼ同等の (ただし正規ではない) 別の文字になります。

5,402 個の Unicode 互換文字の互換分解プロパティ^{[ when? ]}には、互換文字を 17 個の論理グループに分割するキーワードが含まれています。互換分解はあるがキーワードがない文字は、正規の分解可能文字と呼ばれ、互換文字ではありません。互換分解可能文字のキーワードには、<initial>、<medial>、<final>、<isolated>、<wide>、<narrow>、<small>、<square>、<vertical>、<circle>、<noBreak>、<fraction>、<sub>、<super>、<compat> などがあります。これらのキーワードは、互換文字とその互換分解文字シーケンスの関係を示しています。互換文字は、次の 3 つの基本カテゴリに分類されます。

1. 完全な Unicode テキスト レイアウト機能を備えていないソフトウェアおよびフォント実装をサポートするために、複数の代替グリフ形式と事前構成された分音記号に対応する文字。
2. 他の文字セットから取り込まれた文字、または UCS に追加された文字で、Unicode のプレーン テキストの目標ではなくリッチ テキストを構成します。
3. 意味的には異なるが、見た目は似ているその他の文字。

これらの意味的に異なる文字は、他の文字のグリフに似たグリフで表示されることがあるため、テキスト処理ソフトウェアは、エンド ユーザーのために、起こりうる混乱に対処するように努める必要があります。テキスト文字列を比較および照合 (並べ替え) する場合、文字のさまざまな形式やリッチ テキスト バリアントによってテキスト処理の結果が変わることはありません。たとえば、ソフトウェア ユーザーは、ページ上で大文字のラテン文字「I」を検索したときに、ソフトウェア アプリケーションが視覚的に類似したローマ数字「Ⅰ」を見つけられないと混乱する可能性があります。

一部の互換文字は、Unicode 標準に準拠するテキスト処理および表示ソフトウェアではまったく必要ありません。これには次の文字が含まれます。

合字

ラテン文字の「ffi」などの合字は、従来の文字セットでは別の文字としてエンコードされることがよくありました。Unicode の合字に対するアプローチは、合字をリッチ テキストとして扱い、オンにした場合はグリフ置換によって処理することです。

合成ローマ数字

たとえば、ローマ数字の 12 ('Ⅻ': U+216B) は、ローマ数字の 10 ('Ⅹ': U+2169) と 2 つのローマ数字の 1 ('Ⅰ': U+2160) に分解できます。合成済みの文字は、数値形式ブロックにあります。

合成分数

これらの分解にはキーワード<fraction>があります。完全に準拠したテキストハンドラは、^通常分数¼（U+00BC）を合成分数1⁄4（数字1と分数スラッシュU+2044、数字4）と同じように表示する必要があります[3]。合成済み文字はNumber Formsブロックにあります。

文脈上のグリフまたはフォーム

これらは主にアラビア文字で発生します。OpenTypeやTrueTypeGXなどのグリフ置換機能を備えたフォントを使用すると、 Unicode 準拠ソフトウェアは、文字が単語の先頭、末尾、中間、または単独で出現するかどうかに応じて、同じ文字を適切なグリフに置き換えることができます。このようなグリフの置換は、一部の東アジア言語の縦書き (上から下) テキスト レイアウトにも必要です。この場合、幅広、狭幅、小、および四角形のグリフ形式にグリフを置換または合成する必要があります。非準拠ソフトウェアまたは他の文字セットを使用するソフトウェアは、代わりに、位置に応じて同じ文字に複数の別々の文字を使用するため、テキスト処理がさらに複雑になります。

UCS、Unicode 文字プロパティ、および Unicode アルゴリズムは、ソフトウェア実装に、これらの文字を分解して同等のものから適切に表示するために必要なすべての機能を提供します。したがって、これらの分解可能な互換文字は冗長かつ不要になります。文字セット内にこれらの文字が存在すると、テキストが適切に比較および照合されるようにするために追加のテキスト処理が必要になります ( Unicode 正規化を参照)。さらに、これらの互換文字は、追加のまたは明確なセマンティクスを提供しません。また、テキスト レイアウトとフォントが Unicode に準拠している限り、これらの文字は視覚的に明確なレンダリングを提供しません。また、これらの文字はいずれも、他の文字セットへのラウンドトリップ変換には必要ありません。これは、音訳によって、分解された文字を別の文字セットの合成済み文字に簡単にマッピングできるためです。同様に、アラビア語の最後の文字などの文脈形式は、単語内の位置に基づいて、適切なレガシー文字セット形式の文字にマッピングできます。

これらの互換文字を使わないようにするために、テキスト ソフトウェアはいくつかの Unicode プロトコルに準拠する必要があります。ソフトウェアは次のことができる必要があります。

1. 文字と 1 つ以上の別個の結合発音区別符号から発音区別符号付きグラフィムを作成します。
2. 合字や文脈に応じたグリフの異形を（作成者または読者の判断で）置き換えます。
3. CJKV テキストを縦書きにレイアウトし (作成者または読者の判断による)、フォント データから、または必要に応じて合成して、小さくて縦長で幅の狭い四角形のグリフを置き換えます。
4. 「分数スラッシュ」文字 (⁄ U+2044) とその他の任意の文字を使用して分数を結合します。
5. 「結合長ソリダスオーバーレイ」（̸ U+0338）を他の記号と組み合わせます。たとえば、∄（U+2203）の場合は∄または∄です。

不完全な Unicode 実装用に含まれるこれらの互換文字を合わせると、指定された互換文字 5,402 文字のうち 3,779 文字になります。これらには、キーワード <initial>、<medial>、<final>、<isolated>、<fraction>、<wide>、<narrow>、<small>、<vertical>、<square> でマークされたすべての互換文字が含まれます。また、ほぼすべての標準互換文字とほとんどの <compat> キーワード互換文字も含まれます (例外として、囲まれた英数字、囲まれた表意文字、および § 意味的に異なる文字で説明されている <compat> キーワード文字が含まれます)。

他の多くの互換文字は、Unicode がリッチ テキストと見なすものを構成するため、Unicode および UCS の目標の範囲外です。ある意味では、前のセクションで説明した互換文字 (旧式のソフトウェアで合字や縦書きテキストを表示するのに役立つ文字) もリッチ テキストの一種です。これは、リッチ テキスト プロトコルがテキストの表示方法を決定するためです。ただし、テキストを合字付きまたはなしで表示するか、縦書きまたは横書きで表示するかの選択は、どちらも意味論的なリッチ テキストではありません。これらは単にスタイルの違いです。これは、イタリック体、上付き文字、下付き文字、リスト マーカーなどのリッチ テキストとは対照的です。これらのリッチ テキストでは、リッチ テキストのスタイルによって特定の意味論が暗黙的に示されます。

プレーン テキストの比較、照合、処理、および保存では、リッチ テキストのバリアントは意味的に冗長です。たとえば、数字の 4 に上付き文字を使用することは、数字の 4 に標準文字を使用してからリッチ テキスト プロトコルを使用して上付き文字にすることと区別がつかない可能性があります。このような代替リッチ テキスト文字は、リッチ テキスト書式が適用されたプレーン テキストの対応する文字と視覚的に同じに見えるため、あいまいさが生じます。これらのリッチ テキスト互換文字には、次のものがあります。

数学の英数字記号

これらの記号は、ラテン文字とギリシャ文字、およびインド・アラビア文字の 10 進数字を 15 種類の書体で繰り返したクローンです。これらは数学表記の任意のパレットとして意図されています。ただし、文字のエンコードと視覚的なグリフのエンコードの区別、およびプレーン テキスト文字のみをサポートするという Unicode の目標が損なわれる傾向があります。数学記号パレットのこのような代替スタイルは、代わりにリッチ テキスト プロトコルを使用して簡単に作成できます。

囲まれた英数字と表意文字（マーカー）

これらは主にリスト マーカー用に含まれる文字です。プレーン テキスト文字を構成するものではありません。また、UCS で規定されている囲まれた英数字または表意文字のセットは限られているため、他のリッチ テキスト プロトコルを使用する方が適切です。

丸で囲まれた英数字と表意文字

丸で囲まれた形式は、マーカーとしても使用される可能性があります。この場合も、文字とリッチ テキスト プロトコルを使用して文字列を囲むと、より柔軟になります。

さまざまな幅のスペースと改行なしスペース

これらの文字は、コア スペース (U+0020) とノーブレーク スペース (U+00A0) のリッチ テキスト バリアントです。代わりに、トラッキング、カーニング、単語間隔属性などの他のリッチ テキスト プロトコルを使用する必要があります。

一部の下付き文字と上付き文字

下付き文字と上付き文字の多くは、実際には国際音声記号やその他の表記システムとは意味的に異なる文字であり、リッチ テキストのカテゴリには属しません。ただし、その他の文字は、他のギリシャ文字、ラテン文字、および数字文字のリッチ テキスト表示形式を構成するだけです。したがって、これらのリッチ テキストの上付き文字と下付き文字は、リッチ テキスト互換文字のこのカテゴリに正しく属します。これらのほとんどは、「上付き文字と下付き文字」または「基本ラテン文字」ブロックにあります。

これらのリッチ テキスト互換文字のすべてにおいて、グリフの表示は、通常、互換分解 (関連) 文字とは区別されます。ただし、これらは互換文字と見なされ、プレーン テキスト文字ではないため、Unicode コンソーシアムでは使用を推奨していません。プレーン テキスト文字は、Unicode が UCS および関連プロトコルでサポートしようとしているものです。リッチ テキストは、HTML、CSS、RTF などの非 Unicode プロトコルを通じて処理する必要があります。

リッチ テキスト互換文字は、5,402 個の互換文字のうち 1,451 個^[要出典]を占めます。これには、キーワード <circle> および <font> でマークされたすべての互換文字 (以下で意味的に異なる 3 個を除く)、<compat> および標準文字からの 11 個のスペース バリアント、および「上付き文字と下付き文字」ブロックからのキーワード <superscript> および <subscript> の一部が含まれます。

多くの互換文字は意味的に異なる文字ですが、他の文字と表現上のグリフを共有する場合があります。これらの文字の一部は、他のほとんどの文字セットが 1 つのスクリプトまたは書記体系に焦点を合わせているために含まれていた可能性があります。たとえば、ISO およびその他のラテン文字セットには π (円周率) の文字が含まれていた可能性があります。これは、主に 1 つの書記体系またはスクリプトに焦点を合わせている場合、これらの文字セットには一般的な数学記号 π; の文字が含まれていなかったためです。ただし、Unicode では、数学者は世界中の既知のスクリプトの文字を自由に使用して、数学セットまたは数学定数の代わりに使用できます。現在までに、Unicode は、そのような数学定数のいくつかに対してのみ特定の意味サポートを追加しました (たとえば、プランク定数 U+210E とオイラー定数 U+2107 は、どちらも Unicode で互換文字と見なされます)。したがって、Unicode は、ギリシャ語とヘブライ語の文字に基づくいくつかの数学記号を互換文字として指定しています。これらには次のものが含まれます。

• ヘブライ文字ベースの記号 (4): アレフ (ℵ U+2135)、ベット (ℶ U+2136)、ギメル (ℷ U+2137) およびダレット (ℸ U+2138)
• ギリシャ文字ベースの記号 (7): ベータ (ϐ U+03D0)、シータ (ϑ U+03D1)、ファイ (ϕ U+03D5)、パイ (ϖ U+03D6)、カッパ (ϰ U+03F0)、ロー ( ϱ U+03F1)、大文字シータ (ϴ U+03F4)

これらの互換文字は、名前に「記号」という単語が追加されているだけで互換分解文字と区別されますが、数学の表記では長年にわたり異なる意味を表します。ただし、実用上は、互換同等のギリシャ文字やヘブライ文字と同じ意味を共有しています。これらは意味的に区別できるかどうかの境界線上にある文字と考えられるため、合計には含まれません。

Unicodeはそのような測定単位をエンコードすることを意図していませんが、レパートリーには著者が使用すべきではない6つの記号が含まれています。代わりに文字の分解を使用する必要があります。^{[4] [5]}

• 単位記号（6）：オングストローム U+212B Å : 代わりに U+00C5 を使用してください）、オーム（U+2126 Ω : 代わりに U+03A9 を使用してください）、ケルビン（U+212A K : 代わりに U+004B を使用)、華氏(U+2109 ℉:代わりにU+00B0と U+0046 を使用)、摂氏(U+2103 ℃: 代わりに U+00B0 と U+0043 を使用)、マイクロサイン (U+00B5 µ: 代わりに U+03BC を使用)

Unicodeでは、他の22個の文字のような記号も互換文字として指定されています。^[5]

• その他のギリシャ文字ベースの記号 (4): 月状イプシロン (ϵ U+03F5)、月状シグマ (ϲ U+03F2)、大文字月状シグマ (Ϲ U+03F9)、フック付きウプシロン (ϒ U+03D2)
• 数学定数（3）：オイラー定数（ℇ U+2107）、プランク定数（ℎ U+210E）、縮小プランク定数（ℏ U+210F）、
• 通貨記号（2）：ルピー記号（₨ U+20A8）、リアル記号（﷼ U+FDFC）
• 句読点（4）：1つのドットリーダー（U+2024）、ノーブレークスペース（U+00A0）、ノーブレークハイフン（U+2011）、チベットマーク区切り文字tsheg bstar（U+0F0C）
• その他の文字のような記号（10）：情報源（ℹ U+2139）、アカウント（℀ U+2100）、主題宛（℁ U+2101）、気付（℅ U+2105）、cada una（℆ U+2106）、numero（№ U+2116）、電話記号（℡ U+2121）、ファクシミリ記号（℻ U+213B）、商標（™ U+2122）、サービスマーク（℠ U+2120）

さらに、いくつかのスクリプトでは、上付き文字や下付き文字などのグリフの位置を使用して意味を区別します。これらの場合、上付き文字と下付き文字は単なるリッチテキストではなく、書記体系内の明確な文字を構成します (合計 130 個)。

• 国際音声記号などの音声記号アルファベットの抽象的な音素を表す 112 文字は、 意味の違いを表すためにこのような位置グリフを使用します (U+1D2C – U+1D6A、U+1D78、U+1D9B – U+1DBF、U+02B0 – U+02B8、U+02E0 – U+02E4)
• 漢文ブロックの14文字（U+3192 – U+319F）
• ティフィナグ文字の1文字: ティフィナグ修飾文字唇音化記号 (ⵯ U+2D6F)
• グルジア文字の 1 文字: 修飾文字グルジア語 Nar (ჼ U+10FC)
• ラテン語1補足^[要出典]ブロックに含まれる男性（U+00BA）と女性（U+00AA ）の序数指示子

最後に、Unicode はローマ数字を、同じグリフを共有するラテン文字と互換性のあるものとして指定しています。^{[引用が必要]}

• 大文字のローマ数字 (7): 1 (Ⅰ U+2160)、5 (Ⅴ U+2164)、10 (Ⅹ U+2169)、50 (Ⅼ U+216C)、100 (Ⅽ U+216D)、500 (Ⅾ U+216E)、1000 (Ⅿ U+216F)
• 小文字の異体字（7）：1（ⅰ U+2170）、5（ⅴ U+2174）、10（ⅹ U+2179）、50（ⅼ U+217C）、100（ⅽ U+217D）、500（ⅾ U+217E）、1000（ⅿ U+217F）
• 大文字と小文字のローマ数字18個（2～4、6～9、11～12）

ローマ数字の千には、実は同じ意味単位の3番目の形式またはグリフを表す3番目の文字があります。千CD (ↀ U+2180) です。このグリフから、ラテン文字のMを使用する習慣がどこから始まったのかがわかります。奇妙なことに、Unicodeは符号値のローマ数字を非常に異なる^{[引用が必要]}（ただし見た目は似ている）ラテン文字と統合していますが、インドアラビア語の位取り（位置）10進数字はUCS全体で24回繰り返され（10の数字に対して合計240のコードポイント）、それらの間には関係または分解マッピングがありません。

分解可能な文字の中に、意味的には異なるが見た目は似ている 167 の文字 (および、境界線上の 11 のヘブライ文字とギリシャ文字に基づく記号と 6 つの測定単位記号) が存在するため、互換文字の問題は複雑になっています。Unicode 標準では、コンテンツ作成者による互換文字の使用は推奨されていません。ただし、特定の専門分野では、これらの文字は重要であり、互換文字に含まれていない他の文字と非常によく似ています。たとえば、特定の学術界では、同じグリフを共有するラテン文字とは別にローマ数字を使用することは、楔形文字や古代ギリシャ数字を使用することと何ら変わりありません。ローマ数字文字をラテン文字に置き換えると、意味上の区別がなくなります。下付きまたは上付きの位置付けグリフを使用する音声アルファベット文字についても同様の状況があります。音声アルファベットを使用する専門界では、作成者はリッチ テキスト プロトコルに頼らずにこれを行うことができるはずです。別の例として、キーワード「circle」互換文字は、囲碁というゲームを説明するためによく使用されます。ただし、互換文字のこれらの使用は、著者が通常は推奨されない文字を使用する特別な理由がある場合の例外となります。

Unicode 文字のいくつかのブロックには、互換文字 (非文字を除く U+F900～U+FFEF) がすべてまたはほぼすべて含まれています。互換ブロックには、リアル通貨記号 (﷼ U+FDFC) を除いて意味的に区別できる互換文字は含まれていないため、互換ブロック内の互換分解可能文字は、明確に非推奨文字のセットに分類されます。Unicode では、代わりにプレーン テキスト互換分解同等文字を使用し、リッチ テキスト マークアップでそれらの文字を補完することを作成者に推奨しています。このアプローチは、一例を挙げると、丸で囲まれた英数字の有限セットを使用するよりもはるかに柔軟でオープンエンドです。

互換ブロック内にも、互換文字ではない文字が少数あり、そのため作成者を混乱させる可能性があります。「囲まれた CJK 文字と月」ブロックには、非互換文字が 1 つあります。「韓国標準記号」(㉿ U+327F) です。この記号と他の 12 個の文字は、理由は不明ですが、ブロックに含まれています。「CJK 互換表意文字」ブロックには、次の非互換の統一漢字表意文字が含まれています。

1. (U+FA0E): 﨎
2. (U+FA0F): 﨏
3. (U+FA11): 﨑
4. (U+FA13): 﨓
5. (U+FA14): 﨔
6. (U+FA1F): 﨟
7. (U+FA21): 﨡
8. (U+FA23): 﨣
9. (U+FA24): 﨤
10. (U+FA27): 﨧
11. (U+FA28): 﨨
12. (U+FA29): 﨩

これら13文字は互換文字ではなく、その使用が禁止されているわけではありません。しかし、U+27EAF 𧺯はU+FA23 﨣と同じで、CJK統合漢字拡張Bで誤ってエンコードされています。 ^[6]いずれにせよ、正規化されたテキストにはU+27EAF 𧺯とU+FA23 﨣の両方が含まれるべきではありません。これらのコードポイントは同じ文字を2回エンコードしたものを表します。

これらのブロック内の他のいくつかの文字には互換性マッピングがありませんが、明らかにレガシー サポートを目的としています。

アルファベット表記フォーム (1)

1. ヘブライ語の小文字ユダヤ・スペイン語 Varika (U+FB1E): ﬞ。これはヘブライ語の小文字Rafe (U+05BF): ֿのグリフ異体ですが、Unicode では互換性マッピングが提供されていません。

アラビア語のプレゼンテーションフォーム (4)

1. 「装飾左括弧」（U+FD3E）：﴾。U+0029 ')' のグリフ異体
2. 「装飾右括弧」（U+FD3F）：﴿。U+0028 '(' のグリフ異体。
3. 「合字ビスミラ アルラフマン アルラヒーム」(U+FDFD): ﷽。Bismilah Ar-Rahman Ar-Raheemは、Beh (U+0628)、Seen (U+0633)、Meem (U+0645)、Space (U+0020)、Alef (U+0627)、Lam (U+) の合字です。 0644)、ラム (U+0644)、へー (U+0647)、スペース (U+0020)、アレフ (U+0627)、ラム (U+0644)、レー (U+0631)、はー (U+062D) )、ミーム (U+0645)、アレフ (U+0627)、ヌーン (U+0646)、スペース (U+0020)、アレフ (U+0627)、ラム (U+0644)、レー (U+0631) 、はー (U+062D)、ええ (U+064A)、ミーム(U+0645) ie بسم الله الرحمان الرحيم ^[7] (同様に、U+FDFA と U+FDFB は、それぞれ 21 文字と 9 文字の他の 2 つのアラビア語合字をコードします。)
4. 「アラビア語末尾断片」（U+FE73）：ﹳ文脈的なグリフ処理のないテキストシステムをサポートするため

CJK 互換形式 (CJK 統合表意文字 U+4E36 丶 に関連する 2 つ)

1. セサミドット（U+FE45）：﹅
2. ホワイトセサミドット（U+FE46）：﹆

囲み英数字（21 種類のリッチ テキスト バリアント）

1. 10 個の負の丸付き数字 (0 および 11 から 20) (U+24FF および U+24EB から U+24F4): ⓫ – ⓴
2. 11 二重丸で囲まれた数字 (0 から 10) (U+24F5 から U+24FE): ⓵ – ⓾

正規化とは、Unicode 準拠ソフトウェアがテキスト文字列の比較や照合を行う前に、まず完全な互換性分解 (または合成) を実行するプロセスです。

• CJK 互換性
• CJK 互換フォーム
• CJK 互換表意文字

• 正規化 (中国語テキスト プロジェクト) - 古典中国語における Unicode 正規化の問題と、正規化された CJK コードポイントのリスト