The Perl Toolchain Summit needs more sponsors. If your company depends on Perl, please support this very important event.

NAME

Unicode::Japanese::JA - 日本語文字コード変換

概要

 use Unicode::Japanese;
 use Unicode::Japanese qw(unijp);
 
 # convert utf8 -> sjis
 
 print Unicode::Japanese->new($str)->sjis;
 print unijp($str)->sjis; # same as above.
 
 # convert sjis -> utf8
 
 print Unicode::Japanese->new($str,'sjis')->get;
 
 # convert sjis (imode_EMOJI) -> utf8
 
 print Unicode::Japanese->new($str,'sjis-imode')->get;
 
 # convert zenkaku (utf8) -> hankaku (utf8)
 
 print Unicode::Japanese->new($str)->z2h->get;

説明

Unicode::Japanese は,日本語の文字コードの相互変換を行うモジュールです.

機能

  • Unicode::Japanese のインスタンスは,UTF-8 で文字列を保持します.

  • XS 使用/不使用を共にサポートしています. XS 版はパフォーマンスが必要な場合に, No-XS 版は手軽に使用したい場合に使用して下さい (Japanese.pm をコピーするだけで動作します).

  • 全角半角変換,カタカナひらがな変換をサポートしています.

  • 携帯電話 (DoCoMo i-mode,KDDI AU, Softbank Mobile, ASTEL dot-i) の絵文字を Unicode 私用領域にマッピングすることで,DB 等で安全に扱うことができます.

  • 異なる携帯電話同士で,同じイメージの絵文字は相互変換することが可能です.

  • SJIS は, MS-CP932 とみなして Unicode とマッピングを行います.

  • Unicode -> SJIS(及びEUC-JP/JIS) のマッピング時,SJIS で表現できない文字は &#dddd; 形式に変換します. ただしUnicode私用領域におかれている絵文字は '?'になります. また, 携帯電話向けの変換時には, すべての対応しない文字は'?'になります.

  • Perl-5.8.0 以降において, utf8 フラグの設定処理を行います. utf-8 `バイト'列 の取得には utf8() メソッドを, utf-8 `文字'列 の取得には getu() メソッドを使います.

    get() メソッドは現時点では utf-8 `バイト'列 を返します (将来的に変更される可能性もあります).

    sjis(), jis(), utf8(), etc.. メソッドではバイト列を返します. new, set, getcode メソッドの入力には, utf8-flaged/bytes を問いません.

動作に必要なもの

  • perl 5.10.x, 5.8.x, etc. (5.005_03 以降).

  • (なくてもOK) C コンパイラ. このモジュールは XS と Pure Perl 両方に対応しています. C コンパイラがないときには, Unicode::Japanese は Pure Perl モジュールとしてインストールされます.

  • (なくてもOK) テスト用に Test.pm 及び Test::More.

メソッド

$s = Unicode::Japanese->new($str [, $icode [, $encode]])

新しい Unicode::Japanese インスタンスを指定します.

パラメータを指定すると,set メソッドに渡されます.

unijp($str [, $icode [, $encode]])

Unicode::Janaese->new(...) と同義.

$s->set($str [, $icode [, $encode]])
$str: 文字列
$icode: 文字コード指定.省略可.省略時は 'utf8'
$encode: バイナリ符号化方式.省略可.

インスタンスに文字列をセットします. 文字コード指定を省略すると UTF-8 と見なされます.

文字コードを指定する場合は, 'auto', 'utf8', 'ucs2', 'ucs4', 'utf16-be', 'utf16-le', 'utf16', 'utf32-be', 'utf32-le', 'utf32', 'jis', 'euc', 'euc-jp', 'sjis', 'cp932', 'sjis-imode', 'sjis-imode1', 'sjis-imode2', 'sjis-doti', 'sjis-doti1', 'sjis-jsky', 'sjis-jsky1', 'sjis-jsky2', 'jis-jsky', 'jis-jsky1', 'jis-jsky2', 'jis-au', 'jis-au1', 'jis-au2', 'sjis-au', 'sjis-au1', 'sjis-au2', 'sjis-icon-au', 'sjis-icon-au1', 'sjis-icon-au2', 'euc-icon-au', 'euc-icon-au1', 'euc-icon-au2', 'jis-icon-au', 'jis-icon-au1', 'jis-icon-au2', 'utf8-icon-au', 'utf8-icon-au1', 'utf8-icon-au2', 'ascii', 'binary'

文字コードを自動判別する場合は,'auto' を指定しなくてはいけません. 'auto' 時の文字コード自動判別は,getcode() メソッドにより 行われます.

バイナリ符号化方式には,'base64' のみ指定可能です. base64 を指定した場合は,base64 デコードされてから Unicode::Japanese クラスの文字列となります.

渡された文字列を変更せずそのまま格納して欲しい場合には,文字コードとして 'binary' を指定します.

sjis-imode,sjis-doti,の場合,文字列中の &#dddd; は 絵文字に変換されます.

文字コードは領域が重なっている場合があるため, 自動判別は確実ではありません.

sjis, utf8 の両方に解釈できる文字列の場合は,sjis, sjis-au,sjis-doti の両方に解釈できる文字列の場合は,sjis-au, を返します.

$str = $s->get
$str: 文字列(UTF-8)

文字列を UTF-8 コードで取り出します.

現在は `バイト' 列 を返しますが, 将来的に変更される可能性もあります.

バイト列が必要なら utf8() メソッドを, 文字列が必要なら getu() メソッドを使うことをオススメします.

$str = $s->getu
$str: 文字列(UTF-8)

文字列を UTF-8 コードで取り出します.

Perl-5.8.0 以降においては, utf-8 フラグのついた utf-8 文字列として 返します.

$code = $s->getcode($str)
$str: 文字列
$code: 文字コードを表す文字列

渡された文字列($str)の文字コードを自動判別します.

この関数では, 例外的に, インスタンスに保持されている 文字列のコードを判別するのではないことに注意してください.

文字コード自動判別時は,以下のアルゴリズムにより判定が行われます.

(PurePerl時)

  1. UTF-32 の BOM があれば,utf32 と判定します.

  2. UTF-16 の BOM があれば,utf16 と判定します.

  3. UTF-32BE として正しい形式なら,utf32-be と判定します.

  4. UTF-32LE として正しい形式なら,utf32-le と判定します.

  5. ESC 文字 または 8 ビット目の立っている文字が含まれていなければ,ascii と判定しま す。ESC を除いた ASCII 制御文字 (0x00-0x1F 及び 0x7F) は ascii の範囲内と見做しま す。

  6. JISエスケープシーケンスが含まれていれば,jis と判定します.

  7. J-PHONE の絵文字が含まれていれば,sjis-jsky と判別します.

  8. EUC-JP コードとして正しい形式なら,euc と判定します.

  9. SJIS コードとして正しい形式なら,sjis と判定します.

    SJIS コードと au の絵文字として正しい形式なら,sjis-au と判定します.

  10. SJIS と i-mode の絵文字として正しい形式なら,sjis-imode と判別します.

  11. SJIS と dot-i の絵文字として正しい形式なら,sjis-doti と判別します.

  12. UTF-8 として正しい形式なら,utf8 と判定します.

  13. いずれにも当てはまらない場合,unknown と判定します.

(XS時)

  1. UTF-32 の BOM があれば,utf32 と判定します.

  2. UTF-16 の BOM があれば,utf16 と判定します.

  3. 以下のコードについて, 正しい文字コードであることを状態遷移を用いて調べます.

    ascii / euc-jp / sjis / jis / utf8 / utf32-be / utf32-le / sjis-jsky / sjis-imode / sjis-au / sjis-doti

  4. 最後まで正しかったものの中から, 以下の優先順で1つをえらんで, それと判定します.

    utf32-be / utf32-le / ascii / jis / euc-jp / sjis / sjis-jsky / sjis-imode / sjis-au / sjis-doti / utf8

  5. いずれにも当てはまらない場合,unknown と判定します.

以上のアルゴリズムのため,以下の点に注意してください.

  • UTF-8 文字列でも,SJISコードと見なされる可能性があります.

  • UCS2 の自動判別はできません.

  • UTF-16 は BOM がある場合のみ自動認識します.

  • 携帯絵文字は,バイナリで直接絵文字がある場合のみ認識できます. &#dddd; 形式で記述されている場合は,携帯絵文字の自動判別は行われません.

XSとPurePerlでは, 判別のアルゴリズムに違いがあるため, 異なる結果になる可能性があります. 特に, エスケープ文字を含んでいるsjisの場合, PurePerlではsjisと認識しますが XSでは認識しません. これはsjis-jskyと区別できなくなるためです. また, この 作用による誤認識を防ぐため, euc-jpにおいても, 同様にエスケープ文字を受け付けなく なっています.

$code = $s->getcodelist($str)
$str: 文字列
$code: 文字コードを表す文字列

渡された文字列($str)の文字コードを自動判別します.

getcode とは違い, すべての受理可能な文字コードの 一覧を返します.

$str = $s->conv($ocode, $encode)
$ocode: 出力コード ('utf8', 'euc', 'euc-jp', 'jis', 'sjis', 'cp932', 'sjis-imode', 'sjis-imode1', 'sjis-imode2', 'sjis-doti', 'sjis-doti1', 'sjis-jsky', 'sjis-jsky1', 'sjis-jsky2', 'jis-jsky', 'jis-jsky1', 'jis-jsky2', 'jis-au', 'jis-au1', 'jis-au2', 'sjis-au', 'sjis-au1', 'sjis-au2', 'sjis-icon-au', 'sjis-icon-au1', 'sjis-icon-au2', 'euc-icon-au', 'euc-icon-au1', 'euc-icon-au2', 'jis-icon-au', 'jis-icon-au1', 'jis-icon-au2', 'utf8-icon-au', 'utf8-icon-au1', 'utf8-icon-au2', 'ucs2', 'ucs4', 'utf16', 'binary'), の中から指定.)

携帯向け文字コードのうち,末尾に数字がついているものは,数字が大きいほど 大きな絵文字セット(最新機種の絵文字セット)を表しています. 数字なしのものは,もっとも数字が大きい文字コードと同一です.

$encode: バイナリ符号化方式.省略可.
$str: 文字列

文字列を指定した文字コードに変換してから取り出します.

文字エンコードには,'base64' のみ指定可能です. base64 を指定した場合は,base64 エンコードされた 文字列が返されます.

perl-5.8.0 以降において, 出力は utf-8 フラグを持たないバイト列になります.

$s->tag2bin

文字列中に含まれる &#dddd; 形式の文字列を,それが表す文字自体に置き換えます.

$s->z2h

全角を半角に変換します.

$s->h2z

半角を全角に変換します.

$s->hira2kata

ひらがなをカタカナに変換します.

$s->kata2hira

カタカナをひらがなに変換します.

$str = $s->jis

$str: JIS エンコーディング形式のバイト列

文字列を JIS(ISO-2022-JP) コードで取り出します.

$str = $s->euc

$str: euc-jp エンコーディング形式のバイト列

文字列を EUC-JP コードで取り出します.

$str = $s->utf8

$str: utf-8 エンコーディング形式のバイト列

文字列を UTF-8 コードで取り出します.

perl-5.8.0 以降においても, バイト列を返します.

$str = $s->ucs2

$str: ucs2 エンコーディング形式のバイト列

文字列を UCS2 コードで取り出します.

$str = $s->ucs4

$str: ucs4 エンコーディング形式のバイト列

文字列を UCS4 コードで取り出します.

$str = $s->utf16

$str: ucs-16 エンコーディング形式のバイト列

文字列を UTF-16 コードで取り出します. BOMは付きません. ビックエンディアン形式で返されます.

$str = $s->sjis

$str: sjis エンコーディング形式のバイト列

文字列を SJIS(MS-CP932) コードで取り出します.

$str = $s->sjis_imode

$str: sjis/imode絵文字 エンコーディング形式のバイト列

文字列を i-mode 端末向けの SJIS コードで取り出します. 最新のimode絵文字の別名です.

$str = $s->sjis_imode1

$str: sjis/imode 絵文字 エンコーディング形式のバイト列

文字列を i-mode 端末向けの SJIS コードで取り出します. 基本絵文字だけから成ります.

$str = $s->sjis_imode2

$str: sjis/imode 絵文字 エンコーディング形式のバイト列

文字列を i-mode 端末向けの SJIS コードで取り出します. 基本絵文字, 拡張絵文字を含みます.

$str = $s->sjis_doti

$str: sjis/dot-i 絵文字 エンコーディング形式のバイト列

文字列を dot-i 端末向けの SJIS コードで取り出します.

$str = $s->sjis_jsky

$str: sjis/j-sky 絵文字 エンコーディング形式のバイト列

文字列を j-sky 端末向けの SJIS コードで取り出します. 最新のj-sky絵文字(VERSION 0.15 では, jsky2)の別名です.

$str = $s->sjis_jsky1

$str: sjis/j-sky 絵文字 エンコーディング形式のバイト列

文字列を j-sky 端末向けの SJIS コードで取り出します. Page 1~3 のみの絵文字を含みます.

$str = $s->sjis_jsky

$str: sjis/j-sky 絵文字 エンコーディング形式のバイト列

文字列を j-sky 端末向けの SJIS コードで取り出します. Page 1~6 の絵文字を含みます.

$str = $s->sjis_icon_au

$str: sjis/AU iconタグ エンコーディング形式のバイト列

文字列を AU 端末向けの SJIS コードで取り出します.

$str_arrayref = $s->strcut($len)
$len: 分割する文字数(全角相当)
$str_arrayref: 文字列

$lenで指定された文字数(全角)以下の文字列の配列に分割します.

配列の各要素は, utf-8 フラグを持ったutf-8文字列です.

$len = $s->strlen

$len: 文字列の表示幅

UTF-8 文字に対して length() を使うと全角文字は1文字あたり長さ 3 になってしまいますが, このメソッドを使用すると,従来の SJIS のように,全角文字は1文字あたり長さ 2 を返します.

$s->join_csv(@values);

@values: データ配列

配列を CSV 文字列に変換し,インスタンスに格納します. 文字列の最後には改行("\n")が追加されます.

@values = $s->split_csv;

@values: データ配列

インスタンスに格納されている文字列を CSV と見なし,配列に分割します. 文字列の最後にある改行("\n")は取り除かれてから分割されます.

入力が binary でなければ utf-8 文字列を返します. binary だったときはバイト列を返します.

DESCRIPTION OF UNICODE MAPPING

Unicode とのマッピングは以下のように行われます.

Shift_JIS

MS-CP932 として Unicode へマッピングを行います. マッピングテーブルは以下のURLのものを使用しています.

ftp://ftp.unicode.org/Public/MAPPINGS/VENDORS/MICSFT/WINDOWS/CP932.TXT

Unicode から SJIS へマッピングする場合に,表現できない文字があると, その文字は &#dddd; 形式に変換します. ただし,携帯絵文字は「?」に変換されます.

また,携帯向けの SJIS へ変換するときは,全ての表現できない文字は「?」に変換されます.

EUC-JP/ISO-2022-JP

一度SJISコードに変換してから,Unicode へマッピングします. このとき,SJIS で表現できない文字が含まれていた場合, その文字は正しくマッピングできません.

DoCoMo i-mode

F800 - F9FF の領域のうち絵文字が存在する部分を,U+0FF800 - U+0FF9FF の領域にマッピングします.

ASTEL dot-i

F000 - F4FF の領域のうち絵文字が存在する部分を,U+0FF000 - U+0FF4FF の領域にマッピングします.

J-PHONE J-SKY

J-SKY の絵文字は,エスケープシーケンス "\e\$" の後に,絵文字1バイト目, 1つ以上の絵文字2バイト目,"\x0f",と続きます. 1バイト目が同じ絵文字が続く場合は,2バイト目のみを連続して書くことで 圧縮することができます.

この1バイト目と2バイト目のペアを1文字と見なして,4500 - 47FF の領域を, U+0FFB00 - U+0FFDFF の領域にマッピングします.

Unicode::Japanese では,Unicode から J-SKY 絵文字にマッピングするとき, バイト目が同じ絵文字が連続している場合は,圧縮処理を自動的に行います.

AU

絵文字が存在する部分を,U+0FF500 - U+0FF6FF の領域にマッピングします.

PurePerl mode

   use Unicode::Japanese qw(PurePerl);

use 時の引数に 'PurePerl' を与えることで, XSを使わないことを明示的に宣言できます.

バグ

バグや要望は bug-unicode-japanese at rt.cpan.org 宛に 報告してください. 若しくは http://rt.cpan.org/NoAuth/ReportBug.html?Queue=Unicode-Japanese. にある web インターフェースからでもかまいません. そこから私に通知され, そして私が変更を行うことで報告頂いたバグの進捗は 自動的にあなたに伝わります.

  • EUC-JP,JIS コードは,SJIS に変換されてから UTF-8 へ変換されるため, SJIS で表現できない文字列は正しく変換することはできません.

  • XSを使用している場合,EUC-JP,SJIS(絵文字含む)コードの文字列中に \e が含まれると,EUC-JP,SJIS コードの判定に失敗し, 正しく自動判別や変換を行うことが出来ません.

  • Japanese.pm はファイル後半にバイナリを含むため,FTP の ASCII モードで 転送するとファイルが壊れます.

サポート

このモジュールのドキュメントは perldoc コマンドで見ることが出来ます.

    perldoc Unicode::Japanese

また, 以下の場所でも見ることが出来ます:

CREDITS

Thanks very much to:

NAKAYAMA Nao

SUGIURA Tatsuki & Debian JP Project

著作権及びライセンス

Copyright 2001-2008 SANO Taku (SAWATARI Mikage) and YAMASHINA Hio, all rights reserved.

このプログラムはフリーソフトウェアです。あなたは Perl と同じ ライセンスの 元で再配布及び変更を行うことが出来ます.