文字符号化blog

ブログ移行のおしらせ

Wed, 18 Nov 2009 23:01:13 +0900

このブログには今までASAHIネットのサービスを利用させていただいていましたが、こんど自分のサイトに引っ越すことにしました。今後は新サイトのブログに書いて、このブログは更新しない予定なので、RSSリーダ等でお読みの方はご注意ください。

新サイトでは文字コードの以外のことも含めた総合的な内容になるので、文字コードにしか興味のない方には少々申し訳ないのですが、いくつもブログを管理するのも手間だしひとつひとつのトピックにそれほど分量があるわけではないので、このさい統合したいと思った次第です。

どうぞ、新サイトもよろしくお願いします。

物書堂のロゴは「トショカンという文字」なのか

Thu, 01 Oct 2009 21:25:06 +0900

iPhone/iPod Touch用の「大辞林」などを販売している「物書堂」。ロゴを見ると、四角の中に「書」という字が入った格好をしています。

これは製作側の意図としてはたぶん「四角の中に『書』」なのでしょうが、「くにがまえに『書』」という1文字の漢字のようにも見えます。

そんな字があるのかというと、1文字で「図書館」を意味する漢字として、存在していたりします。

かれこれ10年ほど前、JIS X 0213の公開レビューの頃に「「トショカン」という文字」という意見を述べた方がいて、この字の存在を知りました。Webページでは新JIS漢字に入らないかのように書かれていますが、その後制定された規格では無事(?)第4水準、2面4区58点に入っています。「圕」という字です。SKKの第3・第4水準辞書では「としょかん」からこの字を変換することができます。

ゆみさんの謎

Wed, 23 Sep 2009 18:46:00 +0900

どうやってかたどり着いたウェブページ「人を動かすマナーの法則」で、インタビューワの名前が画像で「由弎」(ゆみ)と書かれているのが気になりました。

「弎」というのはJIS第4水準で、漢和辞典によると「三」の古字だそうですが、なぜこれが人名に使われているんでしょうか。人名の漢字に制限が設けられる前に名付けられた人なのでしょうか。でも見た目からすると多分違う…。ペンネームなのか自称なのか、はて。

Emacs 23でEUC-JIS-2004

Mon, 07 Sep 2009 22:37:11 +0900

少し前に、Emacs 23が正式にリリースされました。

まだよく触っていないのですが、Windowsマシンにダウンロードしてみました。

設定方法がよくわからないまま適当にぐぐって (set-default-font "IPAゴシック") としてみたら、EUC-JIS-2004のテキストがちゃんと表示されました。素晴らしい。

と思ったのもつかの間、Unicodeで結合文字の必要な25文字(鼻濁音用のかきくけことか)は正しく表示できていないことが判明。何が悪いのか分かりませんががっかりです。

これでは常用することはできません。多分どこか設定すれば正しく表示できるのだと思いますが、何をどうすればいいのか見当がつきません。

ああ、Unicodeがたった25文字くらいけちけちしなければこんなことで面倒な思いをせずにすんだのに、と思わずにいられないのですが、思ってもしようがないですね。

w3mでShift_JIS-2004, EUC-JIS-2004

Fri, 12 Jun 2009 07:32:33 +0900

Ubuntuはターミナルで日本語を扱うことをあまり重要視していないように思えます。Vineの場合何も考えずにlessすれば期待したとおりに表示されて、JIS X 0213にも対応しているのですが、Ubuntuではそういう使い方は想定されていないのでしょうか。

これじゃ不便だなあ、と思っていたところ、w3mが救世主になることに気づきました。w3mはテキスト型のWebブラウザですが、ページャでもあります。w3mはShift_JIS-2004やEUC-JIS-2004のテキストも表示することができるので便利に使えます(デフォルトではJIS X 0213を使うオプションが選択されていないので設定画面で切り替える必要があります)。

ターミナルはなんと昔ながらのktermがいいようです。mltermだとJIS X 0213をうまく表示できないみたいです。以前使っていたVineの上ではmltermできちんと表示できていたので、もしかすると設定で変えられるのかもしれませんがよくわかりません。

新聞はみんな「宇田」だった

Sat, 25 Apr 2009 15:14:05 +0900

先日の「𡧃」の件で新聞がどう表記しているか図書館に行って確認してみたのですが、NHKのテレビ画面で「𡧃田」となっていた姓は新聞ではみな「宇田」と記されていました(毎日、朝日、読売、産経、日経、東京新聞を確認)。なんだかつまらん。

もし新聞でも使われているようならSKKの第3・第4水準辞書にこの姓を登録しようかと思ったのですが、このような状況では躊躇してしまいます。どこかにNHKテレビと同様の用例がないでしょうかね?

第4水準漢字をニュースで見る

Mon, 20 Apr 2009 00:27:17 +0900

第三種郵便を悪用した事件のNHKテレビ報道で、JIS第4水準漢字を見かけました。宇という漢字の異体字で、𡧃という文字です。2-5-94。UCSではBMP外にあります。SKKのJIS第3・第4水準漢字辞書を使えば「う」という読みから変換できます。

ニュースサイトでは宇という字を使っているようです。新聞はまだ見ていません。

月配列で拡張仮名

Sun, 08 Feb 2009 12:44:15 +0900

ここしばらく、月配列という仮名入力キー配列にこっています。この記事も月配列で入力しています。

Emacsを使うときはもっぱらSKKで漢字変換しているのですが、このSKKを使って月配列で入力できるようにしてみました。その方法を「SKKで月配列を使う」というページにまとめています。

上記のページの「おまけ」というセクションに記しているのですが、月配列で入力の際にJIS X 0213の拡張平仮名・片仮名を打鍵できるようにしてみました。月配列は濁点・半濁点が後付けなので(JIS仮名配列同様です)、たとえば「う」の後に濁点を打てば「濁点つきの『う』」が、「か」の後に半濁点を打てば「半濁点つきの『か』」が入力されます。

これまでもSKKの設定ファイルでローマ字入力の定義をいじればこれらの文字を入力できたのですが (もちろん、JIS X 0213の符号化方式に対応したMule-UCS等の準備が前提です)、鼻濁音の仮名などはうまいローマ字定義ができませんでした。半濁点を後置する月配列では自然な入力が可能です。そのかわり、アイヌ語用の小書きの仮名はちょっと苦しい入力方法になりますが…。

ともあれ、これでまたひとつ新JIS漢字実践ライフに広がりが出るというものです。

Ruby 1.9の多言語化

Sun, 08 Feb 2009 12:31:36 +0900

Rubyist Magazine 25号にRuby M17N の設計と実装という記事が出ています。1.8まではSJISやEUCやUTF-8が一応使えますよという程度だったRubyが1.9ではじめて導入した多言語対応の機構の解説です。

Unicodeを使ったUCS normalization方式が全盛を極める中、CSI方式を採用しているのが興味深いところです。

Ruby 1.9.1が対応しているかどうかは知りませんが、原理的にはEUC-JIS-2004やShift_JIS-2004をネイティブに (Unicodeとの変換でなく) 処理することも可能なはずです。

前のバージョン(1.8系列)からメソッドの挙動が非互換に変わっているものがあるのが気になりますが、この記事を読んだらRuby 1.9.1を使ってみたくなりました。

SafariでShift_JIS-2004

Fri, 07 Mar 2008 08:32:06 +0900

JIS X 0213メーリングリストで話題になっていたのですが、Macintosh OS X Leopardで動くウェブブラウザSafariは、Shift_JIS-2004に対応しているそうです。

メニュー上はShift_JIS X０２１３と表示されていても、実際にはJIS2004で追加された10文字も正しく表示できるとのことです。

JIS X 0213 WikiのSafariのページには、SafariでShift_JIS-2004のHTMLページを表示したところの画面キャプチャがアップロードされています。

JIS X 0221:2007

Tue, 29 Jan 2008 00:19:31 +0900

やや旧聞に属しますが、JIS X 0221:2007が先月出ました。

JISCのサイトから閲覧できるPDFも新しいものに入れ替わっています。初日に覗いてみたら、何にもない状態だったので驚きました。入れ換え中だったのかもしれません。

今回からは、CD-ROMがついてくるので、JSAのサイトではPDFのダウンロード販売をしないようです。CD-ROMの内容をWebから見えるようにしてくれればいいのですが、というのは無理なのですかね。

規定内容としてはWebからダウンロードできるISO/IEC 10646とamendmentふたつとおんなじなので、英語が苦にならない人はそっちに流れるのでしょうね。

規格の読み方

Tue, 30 Oct 2007 23:31:31 +0900

前の記事を書くために久しぶりに97JISを読んだのですが、ああ、やっぱりこれは1997年の規格なんだなということを感じました。

というのは、規格が書かれた当時の常識や技術的な背景というもの (それらの多くは現在でも通じるにしても) が、規格の文言の裏に透けて見えるわけです。

規格というのは、文面に書かれたものが全てであるかのように読み、それできちんと意味が通じるのが良いわけです。というのは、異なるベンダの実装者が別々に読んで実装したものが、きちんと相互運用できてほしいから。けれどもその一方で、書かれた文書はやはりその時代の産物であることは免れ得ない。してみると、深く理解しようとしたら、書かれた当時の事情を知るに如くはない。

時代背景や常識というものをまるっきり無視して、言葉尻だけをとらえてあげつらうのは、(規格の草案を練り直すときには有益かもしれないとしても) 現実世界への適用においてはあんまり意味がないわけです。

そういうわけで、JISの「解説」はもっと参照されて良いのではと思います。規定がなぜそうなったかを知る手がかりになるからです。97JISやJIS X 0221-1:2001の「解説」なんかは誰でもいつでも参照できるように整備されていてほしいと思います(そういえばX0221の新しいのはもうすぐでしたっけ)。JISCのサイトでは「解説」まで含めてくれないのですよね。残念。

文字コード的に見たフォント設計の自由度

Tue, 30 Oct 2007 21:41:29 +0900

JIS X 0208:1997の公開レビューがインターネットで行われていたのはご存じでしょうか。当時はFTPでレビュー資料をダウンロードする形態をとっていました。ネットニュース(fjニュースグループ)でお知らせが回っていたような覚えもあります。

レビュー資料のことはもうほとんど忘れてしまいましたが、FAQの中にイカした項目があったのは覚えています。たしか、低解像度のビットマップフォントなどで点画の省略をしても規格に適合するという話の後だったと思うのですが、

問: 1区1点から、区点位置をひとつずつずらして、「亜」の区点位置に「唖」の字形、「唖」の区点位置に「娃」、「娃」の位置に「阿」……として実装したフォントはこの規格に適合しますか? これなら、それぞれの文字は他のいかなる図形文字とも区別できますよ。

答:適合しません。区点位置に定義されている文字を想起できないからです。

なにぶん10年以上前の記憶なので細かいところは違っているかもしれませんが、概略こんな項目だったと思います。

これは、文字コード規格がフォント実装に要求するものを考える上で示唆的な話です。

97JISの「3.3.3 受信装置」は、装置が「符号化文字を受信し」「対応する文字を」「利用者に渡さなければならない」として、(回りくどい表現ではありますが) バイト表現を解釈しフォントを印字する際の要件を示しています。

上の架空のやり取り (FAQと称していても、実際はnever asked questionなことってありますよね) の意地悪な問いは、ここで述べられている、符号化文字に対応する文字を渡すという点において、規格の規定から外れてしまうわけです。「亜」の符号を受信した装置は、利用者がその符号位置に対応する文字 (「亜」) だと認識できる図形を出力しなければならないわけです。まあ、常識で考えればいい話ではあるんですが。

同じ節はまた、受信装置に表現上の制約がある場合は点画の省略を行っても良いが、他の文字と区別できることを要求しています。また、その際に包摂規準を越えた点画の省略をも許しています。これは、16ドットフォントで「量」を作ろうとするとどこかの横線を省かないとできない（当然、包摂規準でそんな字体差は包摂できない）といった事情を救済するためのものです。全然違う字体を採用することを許容するものではありません。中国簡体字をまねて「機」を「机」にするなどまるっきり違う字体に簡略化してしまうと、上のFAQと同じ要領で不適合とみなされることになります。

こうしてみると、文字コード値に対応させて出力する字形というのは、

その符号位置に対応する文字を、文字集合内の他の文字と紛れのないように表示すべきであり、
可能な字体差は包摂規準に示されており、
ただし表示装置が貧弱な場合は妥当な簡略化も許容するが、だからといってなんでもいいわけではない

といった条件を満たすべきということになります。実は規格本文を見ると分かりますが、これでもまだ端折った内容があります。これ以上は面倒くさいので勘弁。

だからたとえば、「辻」に対応する符号を受け取った装置は、利用者が他のどの文字でもない「辻」のことだなとわかるような字形を表示すればよいわけです。その際、しんにょうの点のがひとつかふたつかなどは書体設計者の自由ですが、世間一般でいう「辻」だと認識できないようなつくりであってはいけないわけです。

よく考えれば常識的なことなのに、言葉にされるとなんだかえらく面倒な感じがするものですね。

フォントの字体変更は文字コードの話題か?

Tue, 30 Oct 2007 00:03:25 +0900

JIS X 0213:2004が (包摂の範囲内で) 例示字形を変更したために、この変更に追随して字体設計を変更するフォントがいくつかあるようです。「辻」のしんにょうが１点か2点か、というのはこのレベルの話です。さて、これは文字コードの話題でしょうか?

文字コードとは、文字とバイト表現との対応を規定するものです。あるバイト表現に対応する文字がどのような字体をとるかは、包摂の範囲内において、設計者の方針次第です。文字コードの問題ではありません。JIS X 0208/0213では、しんにょうの点が1点か2点かは、文字コードとして区別しないことが明記されています。

なので、「辻」のしんにょうの点の数の如き問題は、文字コードの話題ではありません。フォントの話です。文字コードについて雑誌記事などを書く人におかれては、是非こうした区別に敏感であってほしいと思います。

補足すると、字体変更が包摂規準の範囲を越えて行われると、文字コード規格に適合するかどうかの問題が生じるので、文字コードの話題ともなり得ます。

IPAフォントは新JIS漢字実践の救世主となるか

Fri, 05 Oct 2007 08:45:54 +0900

先日、IPAからIPAフォントの一般利用者向け配布が始まりました。JIS X 0213に対応しているというので早速ダウンロードしてみました。

5書体入りというのは大変おとくな感じです。ざっと見た感じ、品質も特に問題ない、というか、これだけのものが無料で入手できるというのは非常に恵まれていると思いました。

MSゴシックv.5.0だと、JIS第3・第4水準漢字が画面表示では汚かったりするのですが(ビットマップが入っていないように見える、が、実は入っているという話もあったりしてよく分からない)、IPAフォントではそんなことはなく、第1・第2水準と分け隔てない調子で綺麗に表示されます。

細かいところまではまだチェックしきれていませんが (例えばU+301Cの字体とか)、新JIS漢字実践のための強い味方になりそうな予感がします。