Unicodeの特殊な文字 “結合文字列”

まともに Unicode のテキストを扱おうとすると、結合文字列はどうしても避けることのできない問題です。ここではあまり深く掘り下げずに、ユーザの眼を通してこれを見ていこうと思います。

まずはじめに、Unicodeには「特殊な文字」があることを知っておきましょう。

上図を見てください。これは Mac OS X のテキストエディットに入力した2つの「ポ」です。同じ文字が並んでいるだけのように見えます。でも実はこの2つ、文字データとしてはまったく違うものなんです。

左はいつも私たちが使っている1文字の「ポ」ですが、右は「ホ+半濁点」の2文字のデータで1文字になっています。これが Unicode の特殊な文字 “結合文字列” です。見た目が同じなので違いがまったく分かりません。

そこで違いを実感できるように「簡単なソフト」を作ってみました。
>> download(v0.4・Mac OS X 10.4 以降・2015/10/10更新)

左に「ポ」と手入力して NFD ボタンを押してください。右に Unicode の特殊な文字に変換されたポが表示されます。この特殊なポをマウスで触ってみましょう。「ホ」と「半濁点」の2つに分かれていますね。半濁点だけ選択してカットとペーストを繰り返すと面白いです。「2文字のデータで1文字になっている」とはどういうことなのか、実感してもらえたと思います。

さらに興味深い文字を見てみましょう。

[Get Glyph]ボタンの下に「01D6」とUnicodeのコードポイントを入力し、ボタンを押します。上にその文字が表示されます。小文字 u に音声記号が付いた文字ですね。[NFD]ボタンを押して変換してみます。なんと、2文字ではなく3文字で構成されていることが分かります。

次に[Get Glyph]ボタンの下に2組のコードポイント「00FC 0304」を入力してボタンを押します(半角スペースを間に入れます)。まったく同じ字形が表示されますね。

つまり、この文字は3通りの方法で表示できてしまうのです。

  • 01D6
  • 00FC 0304
  • 0075 0308 0304

この3通りの文字を「テキストエディット」にコピー&ペーストしてみましょう。

テキストエディットでは、どの文字も1文字として選択されます。さらに検索をしてみると、どの文字にもヒットします。3つが異なる文字データであることをまったく判別することができませんし、判別する方法もありません。もちろんこれはユーザへの配慮でそうなっているわけです。

さて、ここで専門用語を2つだけ覚えてください。

「結合」「結合文字列」

これまで見てきたように、Unicodeには「複数の文字で1つの字形を表示させる」という特殊な方法が用意されています。この方法を「結合 Combining」といいます。平易な言葉なのでつい読み流してしまいますが、Unicodeでは特殊な専門用語であることに注意してください。

そして、結合した複数文字のことを「結合文字列 Combining Character Sequence」といいます。見た目は1文字ですが、実際は複数文字なので「列」です。

Unicodeでは「ポ」などの文字を「音声記号がくっついた文字」と考えます。「音声記号の半濁点がくっついたホ」と見るわけですね。これを文字の形だけでなく、本当に文字データでも「音声記号がくっついた文字」にしたのが結合文字列です。

なお、これは覚えなくてもかまいませんが、結合文字列の中の音声記号(半濁点など)は「結合文字 Combining Character」といいます。これは結合文字列のためだけに用意された特殊な文字なので、単独で使われることはありませんし、単独で使ってもいけません。そして結合文字列「ホ+半濁点」の「ホ」の方は「基底文字 Base Character」と呼びます。

Mac OS X は結合文字列だらけ

さて、Unicodeの特殊な文字である「結合文字列」がどういうものかを見てきましたが、もしかすると、皆さんはこう疑問に思っているかもしれませんね。

「特殊な文字のことは分かった。でも、特殊なんだから、普通に作るテキストデータにそんな文字なんか無いのでは?」

実は、OS X には “結合文字列” がいたるところにあるのです。しかも、新しく簡単に作ることもできてしまいます。やってみましょう。

新規でフォルダを作ってください。「名称未設定フォルダ」という名前になりましたね。なんと、この名前の「ダ」が結合文字列なのです。「ダ」を「簡単なソフト」へコピー&ペーストしてみてください。2文字の結合文字列だと分かります。

OS X のフォルダやファイルなどの名称は、手入力をした場合でも、自動的に結合文字列にできる文字すべてが結合文字列に変換されます。ですから、名称をテキストにコピー&ペーストするだけで特殊な文字が混ざってしまうのです。

プログラマのための文字コード技術入門

文字符号化ブログに「自分のサイトに引っ越すことにしました」と書かれていたのでリンクをクリックしたところ、著書が掲載されていたので早速購入しました。

プログラマのための文字コード技術入門

文字コード関連の知識は、必要になった時点でそのつど行き当たりばったりに調べるのでかなりムラのある知識になってしまうのが普通です。そのムラをフラットにする技術解説書として、この本は非常に優れていると思いました。私自身の知識も相当すき間だらけでスカスカじゃんか! ということもしっかり確認できましたよ。

私が驚いたのは、紹介ページにあるこぼれ話でした。

また、Unicodeの正規化で置き換わってしまう互換漢字についても、編集者の手持ちのソフトウェアで問題のあるものがあったようです。確認のために「これでいいですか」といって送られてきたデータを見たら、ものの見事に互換漢字が統合漢字に置き換わってしまっていてびっくりしました。

Mac版InDesignでコピペしたのでしょうか…。怖い話です。(1

  1. Fill InDesign で解決したのなら嬉しいんですけどね〜 []