文字エンコードの判別方法

Question

知りたいこと

バイナリエディタでShift_JISエンコードされたテキストファイルを見たのですが、メタデータらしきものがありませんでした。

画像ファイルなどではメタデータで形式を判別出来ると思うのですが、Shift_JISやUTF-8などの文字エンコードはどのように判別されるのでしょうか？

Answer 1

文字コードの判別は少々厄介です。UTF-16 などは BOM という目印が先頭についているのでそれで判別できますが、UTF-8 は BOM を付けないのが一般的ですし、他のエンコーディングはそもそも BOM がありません。

なので、複数のエンコーディングを候補とし、先頭から順にある程度の文字数読んでいって、そのエンコーディングとして破綻したところで選択肢から取り除き、最終的に残ったものを消去法で選ぶことになります。しかしこれでも絶対に判別できるわけではなく、複数候補が残った場合にはあらかじめ決めておいた優先順位の高いものを選ぶようにします。

ですから、日本で Shift_JIS EUC-JP ISO-2022-JP が乱立し、各国で独自のエンコーディングを使っていた時には、ウェブブラウザが自動判別を間違えて文字化けすることがしょっちゅうでした。現在は UTF-8 が主流となったことでかなり改善されています。

Answer 2

Unicodeには、BOM - WikiPedia がありますが、Shift-JISには、このようなものはありません。実際のコード(バイト)列を見て判定するだけです。従って誤判定はよくある話。
また、Unicodeでも BOMは必須で無いので、無い場合は同様にデータ見て、可能性高そうなのを選択する。

と、日本語を前提として話で、他言語も同様ですね。
まあ、コードによって出現頻度/順序には癖があるので、ある程度の量があれば、そこそこの確度での判定ができます。

あ、日本語コードと言うと、ISO-2022-JP(JISコード)、EUC-JPなんてのもありました。今の使用頻度は低いと思いますが、、。こちらもちょっと頭の片隅に入れておいた方が良いかも。

Answer 3

テキストデータにメタデータなるものはありません。
「文字コード　判別」でぐぐって出てくるのを読んでみてください。