質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

89.10%

文字エンコードの判別方法

解決済

回答 3

投稿

  • 評価
  • クリップ 1
  • VIEW 1,886

Reem

score 20

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?

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 3

+5

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。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

checkベストアンサー

+4

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。

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

+1

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。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 89.10%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

同じタグがついた質問を見る